Inteligência Artificial e Habitação Social Evolutiva

Aplicação de Redes Adversárias em Adaptação de Projeto às Alterações Climáticas

JEAN MARCELL NUNES PARENTE

Projeto de Tese submetida para obtenção da qualificação do doutoramento em

ENGENHARIA CIVIL

Orientadora: Professora Doutora Bárbara Rangel Carvalho

Co-Orientador: Professor Doutor Eugénio Miguel de Sousa Rodrigues

Co-Orientador: Professor Doutor João Pedro Poças Martins

NOVEMBRO DE 2022
AGRADECIMENTOS

O autor agradece o apoio do projeto Climate change-based building design guidelines (CLING)
através do qual será possível a utilização do software Future Weather Generator, com o qual
haverá colaboração para aplicações da abordagem decorrente desta tese.

Agradecimentos ao Centro de Estudos de Arquitectura e Urbanismo (CEAU), grupo de

investigação do qual sou colaborador.
RESUMO

No Brasil a criação do Programa Minha Casa, Minha Vida (PMCMV) em 2009 foi uma medida
para a redução do deficit habitacional de quase seis milhões de domicílios. Esse programa
habitacional consiste no financiamento público de casas ou apartamentos, cujas construções
são caracterizadas pela rigidez tipológica e construtiva, a qual apresenta os seguintes
problemas: (1) áreas mínimas que impossibilitam a adaptação da habitação às alterações do
agregado familiar durante o período de uso e (2) uso do mesmo sistema de construção
independentemente da região climática. Por esta razão, recorrer à autoconstrução para lidar
com as inconsistências de projeto tornou-se uma prática comum entre os residentes tanto para
reparos quanto para acréscimos de espaços funcionais. O resultado dessas alterações nem
sempre são satisfatórias, haja vista na maioria dos casos não haver técnicos para acompanhá-
las.

Há na literatura abordagens que procuram ultrapassar esta rigidez e tornar a habitação social
mais flexível através da customização em massa para a produção de moradia expansível e
adaptativa à diversidade de usos, designada de habitação evolutiva. Contudo, estas abordagens
não consideram o ambiente exterior local no desempenho na customização e adaptação do
edificado. Assim, levantamos a questão de como integrar na habitação evolutiva os requisitos
climáticos locais. Para responder a esta questão, esta proposta de tese propõe como hipótese
uma abordagem computacional que combine a customização em massa e a avaliação de
desempenho dos edificados no seu contexto climático e futuro. Para tal, serão utilizadas as redes
neuronais, a fim de unir técnicas de recuperação de imagens baseada em esboço (RIBE), e
modelo de desempenho, o qual permitirá automatizar geração de soluções arquitetónicas a
partir de simulações térmicas e energéticas.

A integração entre RIBE e o modelo de desempenho ocorrerá na medida em que imagens de

plantas serão armazenadas em um banco de dados e, de acordo com o esboço do utilizador, a
rede deverá obter a imagem mais aproximada possível juntamente com a sua análise de
desempenho. Nessa abordagem, a distribuição espacial deverá levar em consideração a
composição familiar a partir de requisitos que permitam a funcionalidade dos ambientes, a
expansibilidade da construção e a adequação para possíveis diversidades futuras dos usos. O
desempenho energético da habitação será avaliado utilizando simulação dinâmica com dados
climáticos históricos e gerados para cenários futuros. Para tal, será necessária a vectorização
das imagens das plantas geradas e produção do modelo tridimensional de cada edifício a partir
delas.
Caso haja sucesso na resposta à questão de investigação e demonstrada a hipótese, será dado
um passo importante na automação em arquitetura, em particular na geração automática
baseada no desempenho do edificado e na previsão da sua evolução, quer na ocupação quer na
sua adequação ao clima. Serão assim abertas portas no campo da automação de processos de
projetos de habitação evolutiva através de: (1) artefacto desenvolvido em redes neuronais
profundas, (2) banco de dados de plantas analisadas térmica e energeticamente, e (3) processos
metodológicos resultantes da investigação. Os métodos e dados serão testados e avaliados em
workshops, além de disponibilizados para consultas públicas. Em última instância, este projeto
contribuirá para práticas participativas de assessoria técnica em habitação social, como auxílio
no desenvolvimento de projetos com qualidade espacial e adaptativa ao contexto bioclimático
local e futuro.

PALAVRAS-CHAVE: Alterações climáticas, redes neuronais, habitação evolutiva, habitação

social, desempenho térmico e energético.
ABSTRACT

In Brazil, the creation of the Minha Casa, Minha Vida Program (PMCMV) in 2009 was a
measure to reduce the housing deficit of almost six million households. This housing program
consists of public financing of houses or apartments, whose constructions are characterized by
typological and constructive rigidity, which presents the following problems: (1) minimal areas
that make it impossible to adapt the housing to changes in the household during the period of
use and (2) use of the same building system regardless of climatic region. For this reason,
resorting to self-build to deal with design inconsistencies has become a common practice
among residents for both repairs and additions to functional spaces. The result of these changes
is not always satisfactory, given that in most cases there are no technicians to monitor them.

There are approaches in the literature that seek to overcome this rigidity and make social
housing more flexible through mass customization to produce expandable housing, adaptable
to the diversity of uses, called evolutionary housing. However, these approaches do not
consider the local external environment in the performance in the customization and adaptation
of the building. Thus, we raise the question of how to integrate local climate requirements into
evolutionary housing. To answer this question, this thesis proposal proposes as a hypothesis a
computational approach that combines mass customization and performance evaluation of
buildings in their climatic and future context. To this end, neural networks will be used in order
to unite sketch-based image retrieval techniques (RIBE) and a performance model, which will
allow automating the generation of architectural solutions from thermal and energy simulations.

The integration between RIBE and the performance model will take place as plant images will
be stored in a database and, according to the user's sketch, the network should obtain the closest
possible image together with its performance analysis. In this approach, the spatial distribution
should consider the family composition based on requirements that allow the functionality of
the environments, the expandability of the construction and the suitability for possible future
diversities of uses. The energy performance of the dwelling will be evaluated using dynamic
simulation with historical climatic data and generated for future scenarios. For this, it will be
necessary to vectorize the images of the generated plants and produce the three-dimensional
model of each building from them.

If the answer to the research question is successful and the hypothesis is demonstrated, an
important step will be taken in automation in architecture, in particular in the automatic
generation based on the performance of the building and on the prediction of its evolution, both
in terms of occupation and its adaptation to the climate. Doors will thus be opened in the field
of automation of processes of evolutionary housing projects through: (1) artifact developed in
deep neural networks, (2) database of thermally and energetically analyzed plants, and (3)
methodological processes resulting from research. Methods and data will be tested and
evaluated in workshops, as well as made available for public consultation. Ultimately, this
project will contribute to participatory practices of technical assistance in social housing, as an
aid in the development of projects with spatial quality and adaptive to the local and future
bioclimatic context.

KEYWORDS: Climate change, neural networks, evolutionary housing, social housing, thermal
and energy performance
ÍNDICE GERAL

1 INTRODUÇÃO ............................................................................................................... 1
1.1 ENQUADRAMENTO .................................................................................................... 1
1.2 HIPÓTESES DA INVESTIGAÇÃO .................................................................................. 2
1.3 OBJETIVOS, ESTRATÉGIA E IMPLICAÇÕES ................................................................. 4
1.4 HIPÓTESES DA INVESTIGAÇÃO .................................................................................. 5
1.5 ORGANIZAÇÃO E ESTRUTURA ................................................................................... 5
2 HABITAÇÃO SOCIAL EVOLUTIVA, BIOCLIMÁTICA, E INTELIGÊNCIA
ARTIFICIAL ............................................................................................................................ 7
2.1 INTRODUÇÃO ............................................................................................................ 7
2.2 HABITAÇÃO SOCIAL NO BRASIL ............................................................................... 8
2.3 QUALIDADE HABITACIONAL ................................................................................... 18
2.4 CONFORTO TÉRMICO ............................................................................................... 32
2.5 DESEMPENHO ENERGÉTICO DAS HABITAÇÕES SOCIAIS UNIFAMILIARES NO BRASIL
FACE ÀS ALTERAÇÕES CLIMÁTICAS ..................................................................................... 40
2.6 HABITAÇÃO EVOLUTIVA ......................................................................................... 48
2.7 INTEGRAÇÃO DO USO DE INTELIGÊNCIA ARTIFICIAL NO PROCESSO DE PROJETO
ARQUITETÓNICO ................................................................................................................... 65

3 CARACTERIZAÇÃO DO CASO DE ESTUDO ....................................................... 96

3.1 ENQUADRAMENTO DA PESQUISA ............................................................................ 97
3.2 PLANO DE TRABALHOS ......................................................................................... 103
3.3 DETALHAMENTO DA CONSTRUÇÃO DO MODELO .................................................. 121
3.4 CONCLUSÃO .......................................................................................................... 130
ANEXO 1 .............................................................................................................................. 163
ANEXO 2 .............................................................................................................................. 168
ÍNDICE DE FIGURAS

Figura 2.1 – Temas analisados seguidos dos seus respetivos papeis: objeto, parâmetros,
abordagem proposta e ferramenta para automação. ................................................................... 7
Figura 2.2 – Conjunto residencial Vila Guiomar: estrutura em concreto armado, planta e
fachada livres, elevados por pilotis (adaptado de Bonduki, 1994). ......................................... 11
Figura 2.3 – Projetos habitacionais do BNH: Conjunto Anil IV, no Maranhão, com 43 m2 (A)
e Comunidade Bancária Santos Dumont, no Rio de Janeiro, com 54, 75 m2 (B) (adaptado de
BNH, 1979). ............................................................................................................................. 13
Figura 2.4 – Evolução dos valores financiados entre 1994 e 2008 (Fonte: Royer, 2009). ...... 16
Figura 2.5 – Implantação de um conjunto habitacional do PMCMV no Maranhão (Palácio do
Planalto, 2015). ........................................................................................................................ 18
Figura 2.6 – Qualidade na arquitetura: função, forma, construção e custo (adaptado de Van
Der Voordt & Van Wegen, 2007). ........................................................................................... 20
Figura 2.7 – Influência do projeto na redução impactos e custos de implementação dos
critérios de sustentabilidade (adaptado de Bragança, Vieira e Andrade, 2014)....................... 21
Figura 2.8 – (a) e (b) apresentam duas relações dos espaços a e b com o lado externo, espaço
c. (c) e (d) correspondem respetivamente aos grafos relativos a (a) e (b) (Hillier et al., 1987).
.................................................................................................................................................. 29
Figura 2.9 – Genótipos 1, 2 e 3: relação entre plantas de habitação social e suas respetivas
análises sintáticas a partir de grafos (Reis, 2000). ................................................................... 30
Figura 2.10 – Temperatura operativa de conforto em função da temperatura média mensal
exterior: recomendação de valores de aceitabilidade (adaptado da ASHRAE 55, 2010). ....... 36
Figura 2.11 – Zoneamento Bioclimático brasileiro de acordo com a NBR 15220 (ABNT,
2005). ....................................................................................................................................... 37
Figura 2.12 – Carta bioclimática brasileira (ABNT, 2005)...................................................... 37
Figura 2.13 – Determinação de cada ponto: a, b, c (à esquerda) e percentual das estratégias (à
direita) (ABNT, 2005). ............................................................................................................. 38
Figura 2.14 – Exemplificação de graus-hora de resfriamento (Adaptado de Sorgato, 2011). . 46
Figura 2.15 – Diretriz para diversidade de uso e compatibilidade para arranjos familiares em
habitação social (Logsdon, 2019). ........................................................................................... 53
Figura 2.16 – Diretriz para agrupamento de área molhada em habitação social (Logsdon,
2019). ....................................................................................................................................... 53
Figura 2.17 – Diretriz para minimização da estrutura e utilização de vedações leves para
flexibilidade dos cômodos em habitação social (Logsdon, 2019). .......................................... 53
Figura 2.18 – Conjunto de regras aplicadas a polígonos encontrados em padrões de janelas
chinesas (Celani et al., 2006). .................................................................................................. 55
Figura 2.19 – TIPO A, B e C: marcadores de localização e sentido de ampliação ou alteração
a partir das áreas de comprimentos (C) e de Largura (L) (Mussi, 2014). ............................... 55
Figura 2.20 – Transformações dos compartimentos com funções existentes no embrião e
acréscimo de compartimento com mesma função e com função nova (Mussi, 2014). ........... 57
Figura 2.21 – Regras de gramática da forma aplicadas a Vila Malcontenta de Palladio (Stiny
& Mitchell, 1978). .................................................................................................................... 57
Figura 2.22 – Quatro variações dos modelos tridimensionais das casas de quintal projetadas
por Siza (Duarte, 2005). ........................................................................................................... 58
Figura 2.23 – a processo participativo; b grafo com geração de estrutura espacial; c notação
da Flatwriter (Friedman, 1973). ............................................................................................... 60
Figura 2.24 – Esquema de suporte e recheio (adaptado de MOM, 2004). ............................... 61
Figura 2.25 – Tipologias desenvolvidas para o reassentamento da Comunidade do Piquiá
(Adaptado de Baratto, 2015). ................................................................................................... 64
Figura 2.26 – Modelo de Marver para processo de projeto de arquitetura (Adaptado de Cross
& Roozenburg, 1992). .............................................................................................................. 67
Figura 2.27 – Classificações dos algoritmos de otimização: dos métodos aproximados aos
algoritmos evolutivos (Adaptado de Talbi, 2009).................................................................... 71
Figura 2.28 – Diagrama de fluxos de um algoritmo genético. ................................................. 72
Figura 2.29 – Fronteira de Pareto, solução dominada e solução não-dominada. ..................... 75
Figura 2.30 – Arquitetura de uma rede convolucional: extração de características e
classificação (adaptado de Berman, Buczak, Chavis, & Corbett, 2019).................................. 80
Figura 2.31 – Operação da camada de convolução sobre a imagem a partir de um filtro (fonte:
Khan, Rahmani, Shah, & Bennamoun, 2018). ......................................................................... 81
Figura 2.32 – Operação da camada de max-pooling sobre o mapa de características (fonte:
Khan, Rahmani, Shah, & Bennamoun, 2018). ......................................................................... 82
Figura 2.33 – Reconhecimento de imagem, segmentação de imagem, deteção de objeto e
segmentação de instância (adaptado de Hoeser & Kuenzer, 2020). ........................................ 82
Figura 2.34 – Erro de classificação em %, de acordo com o desafio da ImageNet Large-Scale
Visual Recognition Challenge (ILSVRC) (He et al., 2016)..................................................... 84
Figura 2.35 – Fluxo de trabalho de análise automática de layout (adaptado de Ahmed et al.,
2012). ....................................................................................................................................... 86
Figura 2.36 – FCN: rede projetada para previsões de pixels de uma só vez (Li, Johnson, &
Yeung, 2018). ........................................................................................................................... 87
Figura 2.37 – FCN: rede projetada para previsões de pixels a partir de redução e ampliação
das amostras dentro da rede (Li, Johnson, & Yeung, 2018). ................................................... 87
Figura 2.38 – Codificador VGG e dois descodificadores para precisão de limites da planta e
tipos dos ambientes (adaptado de Zeng et al. 2019). ............................................................... 88
Figura 2.39 – planta original, imagem de entrada (limites da planta) e imagem de saída
rotulada (cores) (Rahbar et al., 2019)....................................................................................... 89
Figura 2.40 – Processo de treinamento GAN a partir de limites da edificação para alocação de
ambientes (Rahbar et al., 2019)............................................................................................ 90
Figura 2.41 – Grafos de entrada e plantas de saída rotuladas (adaptado de Nauata et al., 2020).
.................................................................................................................................................. 91
Figura 2.42 – Gerador do layout (superior) e discriminador (inferior) (Nauata et al. 2020). .. 92
Figura 2.43 – Cyclic GAN para conversão de dados S-ROBIN em imagens geradas (GI-
ROBIN) e imagens recuperadas de esboço a partir de imagens GS-ROBIN (Sharma et al.,
2019a)....................................................................................................................................... 94
Figura 3.1 – Mapa de localizações dos empreendimentos do PMCMV por faixa de renda
(Pequeno & Rosa, 2015). ......................................................................................................... 98
Figura 3.2 – Temperatura média mensal de Fortaleza. (Gráfico obtido através do site:
http://projeteee.mma.gov.br/dados-climaticos/)....................................................................... 99
Figura 3.3 – Humidade relativa média e precipitação mensal da cidade de Fortaleza. (Dados
obtidos através do INMET, período: 1981 - 2010). ................................................................ 99
Figura 3.4 – Intensidade média do vento em Fortaleza por mês. (Dados obtidos através do
INMET, período: 1981 - 2010). ............................................................................................ 100
Figura 3.5 – Percentual de hora correspondente a cada estratégia bioclimática para Fortaleza
(adaptado de Petalas, 2015).................................................................................................... 101
Figura 3.6 – Imagem aérea do Bairro Pirambu, em Fortaleza, e seu adensamento habitacional
característico (Fontenele, 2021). ............................................................................................ 102
Figura 3.7 – Treinamento e teste da rede para RIBE a partir da base de dados ROBIN
(adaptado de Sharma et al., 2019b). ....................................................................................... 109
Figura 3.8 – Fluxo de dados de entrada e saída da rede RIBE. .............................................. 109
Figura 3.9 – Etapas metodológicas do caso de estudo. .......................................................... 114
Figura 3.10 – Padrão de ocupação dos ambientes durante a semana (adaptado de Brasil,
2012). ..................................................................................................................................... 122
Figura 3.11 – Padrão de ocupação dos ambientes durante o fim-de-semana (adaptado de
Brasil, 2012). .......................................................................................................................... 123
Figura 3.12 – Padrão de uso da iluminação durante a semana (adaptado de Brasil, 2012). .. 123
Figura 3.13 – Padrão de uso da iluminação durante o fim-de-semana (adaptado de Brasil,
2012). ..................................................................................................................................... 124
ÍNDICE DE QUADROS

Quadro 2.1– Critérios de avaliação do método SEL (Adaptado de Costa, 1995). ................... 22
Quadro 2.2– Critério de avaliação de áreas: Chombart de Lauwe. .......................................... 24
Quadro 2.3– Critério de avaliação de áreas: Blachére. ............................................................ 24
Quadro 2.4– Áreas mínimas, recomendáveis e ótimas (Buzzar e Fabrício, 2006). ................. 26
Quadro 2.5– Quadro comparativo: PMCMV (2016) e NBR 15.575 (2013) (Adaptado de
Pereira, 2015). .......................................................................................................................... 26
Quadro 2.6– Comparação entre dimensões dos mobiliários, equipamentos e seus espaços de
atividades (dimensões em metros) (Boueri et al., 2012). ......................................................... 28
Quadro 2.7– Comparação entre áreas úteis do programa atualizado, do programa
recomendado e do PMCMV..................................................................................................... 28
Quadro 2.8– Escala descritiva de sete pontos (ASHRAE, 2010). ........................................... 33
Quadro 2.9– Relação entre PPD, PMV e perceção humana (adaptado de Becker, 2000). ...... 34
Quadro 2.10– Diretrizes construtivas para as zonas bioclimáticas brasileiras (ABNT, 2005).38
Quadro 2.11– Equivalente numérico para os níveis de eficiência (Adaptado de Brasil, 2012).
.................................................................................................................................................. 42
Quadro 2.12– Pré-requisitos para absortância solar, transmitância térmica e capacidade
térmica para diferentes zonas bioclimáticas (Adaptado de Brasil, 2012). ............................... 42
Quadro 2.13– Percentual de áreas mínimas para ventilação e áreas úteis dos ambientes
(Adaptado de Brasil, 2012). ..................................................................................................... 43
Quadro 2.14– Equivalente numérico para os níveis de eficiência (Adaptado de Brasil, 2012).
.................................................................................................................................................. 44
Quadro 2.15– Coeficiente da Equação 2.3 (Adaptado de Brasil, 2012). ................................. 44
Quadro 2.16– Coeficientes da Equação 2.4 (Adaptado de Brasil, 2012). ................................ 44
Quadro 2.17– Equivalente numérico para envoltória do ambiente para resfriamento
(EqNumEnvAmbResf) para ZB1 (Adaptado de Brasil, 2012). .................................................. 45
Quadro 2.18– Avaliação da flexibilidade de uma habitação social (Adaptado de Logsdon,
2019; Digiacomo, 2004 e Brandão, 2003). .............................................................................. 65
Quadro 2.19 – Fases e principais tarefas para a formulação de um problema de otimização.
Adaptado de Nguyen, Reiter e Rigo (2014). ............................................................................ 72
Quadro 2.20– Tarefas, abreviações e descrições relativas às arquiteturas de rede. ................. 83
Quadro 3.1 – Temperatura média em Fortaleza a partir dos cenários RCP4.5 e RCP8.5 entre
os períodos de 2035-2045 e 2071 e 2100 (Adaptado de Fortaleza, 2020). ............................ 102
Quadro 3.2 – Etapas, processos e tarefas da integração entre modelos de desempenho e RIBE.
................................................................................................................................................ 113
Quadro 3.3 – Estimativa de meses para tarefas por etapas. ................................................... 116
Quadro 3.4 – Tabela de riscos, com níveis, impacto e resposta. ............................................ 120
Quadro 3.5– Temperatura do solo calculado a partir do Slab (adaptado de Sorgato, 2011).. 124
Quadro 3.6– Parâmetros para modelagem do sistema de ventilação natural (adaptado de
Sorgato, 2011). ....................................................................................................................... 125
Quadro 3.7– Parâmetros para modelagem do sistema de condicionamento de ar (adaptado de
Brasil, 2012). .......................................................................................................................... 126
Quadro 3.8– Materiais e propriedades térmicas da parede de acordo com NBR 15575........ 127
Quadro 3.9– Materiais e propriedades térmicas da cobertura de acordo com NBR 15575. .. 127
Quadro 3.10– Sistema, material, dimensão e área total das portas e janelas da tipologia. .... 128
Quadro 3.11– Atualização de dimensões do PMCMV a partir de comparações com
bibliografias especializadas (Adaptado de Boueri et al., 2012). ............................................ 129
Quadro 3.12– Programa recomendado para o PMCMV (Adaptado de Boueri et al., 2012). 129
ABREVIATURAS

ABNT – Associação Brasileira de Normas Técnicas

ATHIS – Assistência Técnica para Habitação de Interesse Social
BIM – Building Information Modeling
BNH – Banco Nacional da Habitação
CAD – Computer Aided Design
CEF – Caixa Econômica Federal
CNN – Convolutional Neural Networks
FGTS – Fundo de Garantia do Tempo de Serviço
GAN – Generative Adversarial Networks
IBGE – Instituto Brasileiro de Geografia e Estatística
IPCC – Intergovernmental Painel on Climate Change
NBR - Norma Técnica Brasileira
PMCMV – Programa Minha Casa, Minha Vida
PMV – Predicted Mean Vote
PPD – Predicted Percentage Dissatisfied
RTQ-R – Regulamento Técnico da Qualidade para o Nível de Eficiência Energética de
Edificações Residenciais
UH – Unidade Habitacional
1 INTRODUÇÃO

1.1 Enquadramento

Em 2009 o deficit habitacional no Brasil chegou a 5.998 milhões de domicílios. O deficit

habitacional brasileiro é caracterizado pela condição rústica 1 dos domicílios, por construções
improvisadas, por coabitações familiares, como cômodos alugados ou cedidos, por ônus
excessivo de aluguel e pela alta taxa de adensamento de moradores em domicílios alugados
(Fundação João Pinheiro, 2012). O Programa Minha Casa, Minha Vida (PMCMV), criado em
2009, tem como objetivo responder a esse deficit habitacional. No entanto, do ponto de vista
arquitetónico, o PMCMV apresenta as mesmas tipologias e soluções construtivas para distintos
sítios (Amore, Shimbo, & Rufino, 2015). Por consequência, além de outros fatores, os projetos
dessas habitações ignoram as condições bioclimáticas do lugar, o que resulta em baixo
desempenho térmico (Moreno, Morais, & Souza, 2017), e são incompatíveis com a diversidade
das composições familiares (Moreira & Pina, 2012).

Diante disso, grande parte dos moradores destas casas recorrem à autoconstrução para compensar
as falhas de projeto e, portanto, as condições de adequabilidade funcional da habitação (Larcher,
2005). Além de um crescimento desordenado da construção e da cidade, essas alterações
provocam soluções de baixa qualidade construtiva e de desempenho térmico. A situação das
moradias sociais torna-se mais grave num cenário de aquecimento global, que intensificará as
condições de desconforto térmico, afetando a demanda energética (Williams, Elghali, Wheeler,
& France, 2012). Como tal, famílias de rendimento baixo encontrar-se-ão em situação de pobreza
energética2 mais severa no futuro (Diffenbaugh & Burke, 2019).

Portanto, é fundamental estudos de impacto que busquem prever as condições habitacionais

sociais brasileiras num prazo de pelo menos 50 anos, haja vista tratar-se do período de vida útil
mínimo estimado pela norma de desempenho para habitação social: NBR 15575 (ABNT,
2013). Acima de tudo, faz-se necessário que o projeto preveja desde o início este crescimento e
as adaptações do clima futuro. A análise de desempenho térmico a longo prazo é por isso um tema
estratégico para a habitação social do futuro próximo no Brasil. Deve-se considerar que a

1 De acordo com o Instituto Brasileiro de Geografia e Estatística (IBGE), a condição rústica da moradia é caracterizada
por sistemas construtivos compostos por taipa não revestida, madeira aproveitada, palha ou materiais similares, os quais
podem ser também classificados como habitação precária.
2 Pobreza energética, segundo Bouzarovski (2013), ocorre quando famílias carecem de condições sociais e materiais
para a obtenção de serviços de energia em suas casas.

1
qualidade dessas habitações deverá ser influenciada pelo seu tempo de utilização, uma vez que
será afetada pela mudança do clima, pela mudança dos hábitos dos moradores e pelas
consequências físicas sobre a construção em decorrência dessas alterações. Por isso, o tema chave
a ser abordado neste trabalho será a importância do projeto de arquitetura como meio de
adequabilidade das habitações ao longo do tempo ou, em outras palavras, compreender a
habitação como evolutiva e flexível às necessidades de seus utilizadores, considerando o seu
melhor desempenho térmico em todas as fases.

Há na literatura abordagens que tratam da habitação social e flexibilidade construtiva (Brandão

& Heineck, 2003, 2008; M. S. Coelho, 2013; Digiacomo, 2004; Marroquim & Barbirato, 2007;
Rodríguez, 2016) e habitação social evolutiva (Brandão, 2011a; Ludovico & Brandão, 2018). Por
outro lado, há trabalhos que contribuem com estudos sobre habitação social, mudanças climáticas
e as consequências térmicas e energéticas nessas moradias (Invidiata & Ghisi, 2016; Lima &
Zanirato, 2019; Paulsen & Sposto, 2013; María Andrea Triana, 2016). No entanto, estas
abordagens não são consideradas de forma integrada, isto é, uma adaptação às possíveis mudanças
de uso e ocupação das habitações, e às alterações do clima ao longo do tempo. Do ponto de vista
arquitetónico, essa integração poderá garantir a funcionalidade dos ambientes, adequando-os às
mudanças de necessidades das famílias ao longo dos anos. Ademais, a habitação social evolutiva
também poderá adaptar-se ao sítio de modo a permitir o conforto térmico dos usuários e, por
conseguinte, um melhor desempenho energético da construção.

Deste estado da arte decorre a seguinte questão: Como requisitos bioclimáticos podem ser
integrados ao projeto de habitação social evolutiva em pelo menos 30 anos à frente?

1.2 Hipóteses da investigação

Estudos em aprendizado de máquina têm trazido nos últimos anos resultados promissores para a
automação no desenvolvimento de plantas em projetos de arquitetura, sobretudo integrados à
visão computacional, que tem evoluído há décadas técnicas de reconhecimento de imagens
(Szeliski, 2021). Ao combinar a visão computacional com a computação gráfica é possível criar,
por exemplo, projetos a partir de reconhecimento de requisitos explícitos e implícitos de obras
anteriores utilizadas para o treinamento do modelo. Em projeto de arquitetura, a relação entre
redes neuronais e visão computacional pode ser aplicada em tarefas como classificação,
segmentação semântica, detecção de objetos, reconstrução 3D, registro de imagens, retorno de
imagens, assim como a síntese de imagens, que também traz elementos da computação gráfica
(Gomes & Velho, 1997).

2
A melhoria do desempenho térmico e energético em habitação social a partir de redes neuronais
(Escandón et al., 2019; García Kerdan & Morillón Gálvez, 2020; Pino-Mejías, Pérez-Fargallo,
Rubio-Bellido, & Pulido-Arcas, 2018), estratégias construtivas (Dalbem, Grala, et al., 2019;
Moreno et al., 2017) e de estudos que consideram as alterações climáticas (Alves, Duarte, &
Gonçalves, 2015; Invidiata & Ghisi, 2016; Maria Andrea Triana, Lamberts, & Sassi, 2018) é
comum na literatura. A relação entre desempenho e redes neuronais integradas a técnicas de visão
computacional, como retorno de imagens a partir de esboço (S. Zhao, Wang, Qian, & Chen,
2021), permite compreender a viabilidade multitarefas na qual o desenho da fachada à mão livre
é lido pela máquina, e tem como retorno uma imagem técnica avaliada térmica e energeticamente.
No entanto, não foram identificados trabalhos com essa abordagem que tenham envolvido plantas
e a relação entre o seu crescimento e a sua adaptabilidade às mudanças do clima.

Três abordagens complementares podem ser apresentadas como respostas aplicáveis ao hiato da
literatura identificado no parágrafo anterior. A primeira refere-se à expansibilidade e flexibilidade
da habitação social que pode ter na gramática da forma uma ferramenta de registo desses padrões
evolutivos de habitação social (Dias, 2014; Mayer, 2012; Mendes, 2014; Mororó, 2012, 2015;
Mussi, 2011, 2014; Verniz, 2020). Rotular etapas do crescimento da construção pode ser um
recurso útil para aprendizagem de máquina. A segunda abordagem pode ser feita a partir da
adaptação de projetos às alterações climáticas através de simulação dinâmica com uso de ficheiros
climáticos obtidos de acordo com relatórios preditivos do IPCC e de técnicas estatísticas
(Belcher & Hacker, 2005; R. De Dear, 2006; Guan, 2009; Jentsch, Bahaj, & James, 2008). Por
fim, a otimização térmica e energética de plantas de habitação social pode ser desenvolvida com
o uso de algoritmos heurísticos, como a abordagem evolutiva (Gero & Kazakov, 1997, 1998a;
Inoue & Takagi, 2008; Rodrigues, Gaspar, & Gomes, 2013).

Portanto, baseado nas abordagens anteriores, a hipótese deste trabalho propõe o seguinte:

1) Se é possível compreender impactos da mudança de comportamento dos moradores

na habitação ao longo do tempo a partir de registos evolutivos, como a gramática da
forma, é viável utilizá-la como recurso para aprendizagem de máquina.
2) Se é possível estimar a alteração do clima e seus impactos em edificações, então é
provável simular térmica e energeticamente a habitação evolutiva em seus futuros
cenários;
3) Se é possível otimizar uma planta arquitetónica tanto para áreas quanto termicamente
a partir de algoritmos heurísticos, é viável fazê-lo com habitação evolutiva e utilizar
amostras sintéticas como recurso que ensine a máquina a reconhecer a forma mais bem
adaptada às mudanças de comportamento e do clima ao longo dos anos em uma
determinada localidade.

3
1.3 Objetivos, estratégia e implicações

No sentido de comprovar a hipótese, procurar-se-á cumprir os seguintes objetivos:

1. Monitorar e simular térmica e energeticamente o ambiente interior de uma unidade

habitacional de referência, e calibrar os dados;
2. Implementar modelo generativo computacional para produzir unidades habitacionais
alternativas e avaliar o desempenho energético e conforto térmico;
3. Desenvolver uma abordagem de aprendizagem automática para geração de unidades
habitacionais através de treinamento e testes da rede RIBE;
4. Validar a abordagem computacional com um caso de estudo.

Estes objetivos serão alcançados num plano de trabalhos constituído por cinco etapas. Na
primeira etapa, a monitorização térmica e energética de uma unidade habitacional de referência
em Fortaleza decorrerá com auxílio a sensores de temperatura do ar interior e humidade relativa
ao longo de um período mínimo de três meses. A análise energética decorrerá da análise das
faturas de energia e levantamento dos equipamentos. Esses dados deverão ser coletados por
estudantes do curso de arquitetura que serão convidados a participar no processo. Dados
climáticos para uso em simulação dinâmica serão coletados de uma das estações meteorológicas
de acesso aberto na localização durante o mesmo período de monitorização. As tipologias serão
simuladas térmica e energeticamente tanto na fase embrião como na sua evolução final, isto é,
após sua consolidação de crescimento ao longo dos anos. Para isso, dados climáticos atuais e
futuros serão utilizados respetivamente nos embriões e na fase consolidada da construção. Com
o levantamento, monitorização e simulação concluída (objetivo 1), a simulação dinâmica da
unidade de habitação será modelada, simulada e validada para utilizar a sua parametrização como
referência na segunda etapa na geração de dados sintético de unidades habitacionais alternativas
(objetivo 2).

Na segunda etapa o padrão evolutivo dessas unidades é sugerido com base em trabalhos que
obtiveram registos, através da gramática da forma, do crescimento de habitações sociais em
Fortaleza ao longo de anos. Em seguida, o desempenho das tipologias geradas e simuladas serão
avaliados e classificados segundo o grau de adequabilidade com normas de desempenho
brasileiras e internacionais, o que será base para a terceira etapa, na qual ocorrerá o
desenvolvimento da abordagem de aprendizagem automática (objetivo 3).

4
Na terceira etapa, a qual corresponde ao treinamento e testes da rede RIBE, serão feitos os
treinamentos com base de dados sintéticas em duas partes: 1) embriões otimizados e 2) casas
consolidadas otimizadas. Os testes com as redes deverão permitir a correspondência entre
embriões e casas consolidadas, de forma que ao fim de uma consulta à rede a partir de um
rascunho feito à mão livre, a rede RIBE seja capaz de retornar imagens de plantas técnicas
otimizadas mais aproximadas possíveis do rascunho original. Por fim, a rede será testada por
primeiramente em um caso de estudo e, em seguida, por alunos do Centro Universitário INTA,
do curso de arquitetura, a fim de validar todo o processo (objetivo 4), que corresponderá à quarta
etapa.

Caso haja sucesso na resposta à questão de investigação e demonstrada a hipótese, será dado um
passo importante na automação em arquitetura, em particular na geração automática baseada no
desempenho do edificado e na previsão da sua evolução, quer na ocupação quer na sua adequação
ao clima. Serão assim abertas portas no campo da automação de processos de projetos de
habitação evolutiva através de: (1) artefacto desenvolvido em redes neuronais profundas, (2)
banco de dados de plantas analisadas térmica e energeticamente, e (3) processos metodológicos
resultantes da investigação. Os métodos e dados serão testados e avaliados em workshops, além
de disponibilizados para consultas públicas. Em última instância, este projeto contribuirá para
práticas participativas de assessoria técnica em habitação social, como auxílio no
desenvolvimento de projetos com qualidade espacial e adaptativa ao contexto bioclimático local
e futuro.

1.4 Hipóteses da investigação

Esta tese deverá responder às seguintes questões:

Q1: Quais as principais estratégias bioclimáticas, desenvolvidas através de projeto, devem ser
prioritárias para habitação social evolutiva em clima tropical semi-húmido?
Q2: Ao considerar as mudanças climáticas, de que maneira a arquitetura pode contribuir para
mitigar os problemas dos desempenhos térmicos e energéticos através de projetos de habitações
sociais evolutivas?
Q3: A abordagem de recuperação de imagem baseada em esboço, a partir de redes neuronais
profundas, é capaz de auxiliar tomadas de decisão de projeto, sobretudo participativas?

1.5 Organização e estrutura

Estrutura-se o trabalho a ser desenvolvido da seguinte forma:

5
Capítulo 1 (Introdução): enquadra a tese, define os objetivos gerais, os específicos e as estratégias
utilizadas para executá-los;

Capítulo 2 (Estado da arte): apresenta o estado da arte do tema da tese. Para isso, são abordados
o tema da habitação social no Brasil e da qualidade habitacional. Em seguida, o tema arquitetura
bioclimática é abordada a partir da análise de desempenho térmico e energético, os quais são
baseados nas normas ISO 7730, ASHRAE 55, NBR 15220 e NBR 15575. Segue-se com habitação
evolutiva e suas aplicações em habitação social. O último tema trata de integração do uso de
inteligência artificial no processo de projeto arquitetónico, o qual é abordado a partir dos seguintes
subtemas: processo de projeto arquitetónico, da prancheta ao CAD, modelo de desempenho, redes
neuronais e recuperação de imagem baseada em esboço (RIBE). Por fim, sintetizam-se os mais
relevantes estudos de apoio ao desenvolvimento desta tese;

Capítulo 3 (Caso de estudo): expõe com detalhes o estudo experimental, no qual está contida a
caracterização das habitações a partir da análise do sistema construtivo, da característica climática
local e da tipologia predominante unifamiliar do PMCMV. Na sequência, são detalhados o estudo
de simulação e análise de sensibilidade das do caso de estudo. Serão também apresentadas
possíveis soluções de otimização e geração automática de layouts a partir da utilização de redes
neuronais generativas e de RIBE. Após a condução desta fase, a metodologia propõe testes em
sala de aula com estudantes da disciplina de conforto térmico para que o processo seja validado.
Em seguida, é detalhada a construção do modelo que será utilizado nas simulações e na criação
de possíveis soluções para o problema. Por fim, será apresentada a conclusão e os resultados
esperados.

6
2 HABITAÇÃO SOCIAL EVOLUTIVA, BIOCLIMÁTICA, E INTELIGÊNCIA
ARTIFICIAL

2.1 Introdução

Neste capítulo será apresentado e discutido o estado da arte de publicações concernentes aos
seguintes tópicos:
1. Caso de estudo e motivação: projeto arquitetónico de habitação social, que se
configurará como motivação e área de aplicação desta investigação.
2. Parâmetros espaciais e bioclimáticos: qualidade habitacional, desempenho térmico e
energético, que serão analisados de acordo com métodos e normas brasileiras e
internacionais.
3. Parâmetros adaptativos: a partir da integração das etapas anteriores serão analisados os
parâmetros para habitação evolutiva.
4. Objeto da investigação: o uso da inteligência artificial, mais especificamente métodos
de redes convolucionais, como meio para automatizar e integrar processos de projeto de
arquitetura (Figura 2.1).

Figura 2.1 – Temas analisados seguidos dos seus respetivos papeis: objeto, parâmetros, abordagem proposta e
ferramenta para automação.

A relação entre esses temas é feita na medida em que há uma busca por adequação da habitação
social aos efeitos das mudanças climáticas, sobretudo em um país tropical como o Brasil. Para
isso, será abordada a evolução da habitação social, as diferentes formas de avaliar sua qualidade,
além de normas e parâmetros para avaliar o conforto térmico e o desempenho energético das
habitações sociais brasileiras. Lançar mão da habitação evolutiva permitirá adaptar a habitação
social a diferentes arranjos de projetos a depender de requisitos dos moradores, como a quantidade
de utentes, a relação de adjacência entre os ambientes, o uso e ocupação no presente e no futuro.

7
Também deverão ser considerados o sistema construtivo, dimensionamento mais adequados para
o desempenho das atividades em cada ambiente e adaptação térmica às alterações climáticas.

A utilização de inteligência artificial será revisada através da análise e da síntese em projetos,

respetivamente representados neste trabalho pela visão computacional (redes convolucionais) e
pela computação gráfica (redes adversárias). O processo analítico contém técnicas de automação
de reconhecimento de componentes construtivos de um projeto a partir de imagens. Com o
treinamento de uma rede adversária, a qual será detalhada na secção 2.7, através de um conjunto
de dados, é possível elaborar um modelo capaz de gerar novas plantas de acordo com as
características aprendidas.

Por fim, a integração entre processos participativos de projeto evolutivo e inteligência artificial
pode ser obtida com o uso de uma tarefa de recuperação de imagens baseada em esboço (RIBE),
e modelo de desempenho, os quais deverão ser integrados para a automação de soluções
arquitetónicas a partir de simulações térmicas e energéticas. Nele, croquis podem ser
reconhecidos e retornados desenhos técnicos mais próximos possíveis dos concebidos à mão livre.
A integração de todos esses elementos a partir da inteligência artificial visa eliminar algumas
barreiras entre o processo preliminar de projetos e as tomadas de decisões baseadas em dados de
desempenho da habitação social. Além disso, pretende-se facilitar o entendimento de estudantes
de arquitetura com relação às consequências das alterações do clima ao longo do tempo nas
habitações sociais de regiões de vulnerabilidade social e climática, como no Brasil.

2.2 Habitação social no Brasil

2.2.1 Considerações gerais

O processo de urbanização no Brasil evolui entre o século XVIII e XIX e consolida-se na primeira
metade século XX (Santos, 2005) devido ao êxodo rural. Entre 1890 e 1920 o crescimento urbano
era de 3%, e entre 1920 e 1940 sua taxa de urbanização chega a aproximadamente 31% (Santos,
2005). Isso decorre duma crescente presença das camadas populares nos centros urbanos.

O cortiço é o nome dado a casas cujos cômodos aglomeram diferentes famílias com o propósito
de tornar viável economicamente a moradia nos centros urbanos. Contudo, esses espaços eram
considerados "habitação problema”, pois não tinham condições sanitárias para manter a higiene
suficiente para lidar com as epidemias originadas devido às aglomerações. Em contrapartida, as
vilas operárias eram promovidas por indústrias e, embora fossem consideradas higiênicas, o
Código Sanitário do Estado de São Paulo de 1894, por exemplo, determinou que essas construções
deveriam ser produzidas fora do perímetro urbano (Villaça, 1986). Ao longo da República Velha

8
(1889-1930) movimentos de expulsão desta classe pobre das áreas centrais ocorreram com o
pretexto de embelezamento para atrair comércio e serviço para o centro.

O Estado não tinha participação na produção de habitação voltada para a população de baixa renda
até a Era Vargas (1930-1945), a partir da qual será discutido o conceito de habitação social. Desse
período até os dias de hoje, portanto, verifica-se que há uma série de ações do Estado que
dificilmente acompanham a demanda crescente. Essa situação conserva um grande deficit
habitacional e a baixa qualidade técnica arquitetónica e suas consequências de adequação aos
requisitos da família e às condicionantes físicas do sítio.

Definições de habitação social

Habitação popular pode ser designada como um termo genérico, o qual deve ser aplicado a uma
solução específica para moradia de baixa renda (Abiko, 1995). Contudo, assim como habitação
popular, é comum na literatura o emprego dos termos “habitação social”, “habitação de baixo
custo”, ou “habitação para população de baixa renda”, para o mesmo significado de habitação de
interesse social. Apesar da sinonímia na utilização corrente desses termos, segundo Abiko (1995),
cada um deles apresenta sua especificidade na sua aceção original, como poderá ser visto a seguir:

▪ Habitação de interesse social ou habitação social: no Brasil, esse termo foi

implementado pelo extinto Banco Nacional de Habitação (BNH) em seus programas para
habitação de baixa renda. Atualmente, instituições da área habitacional continuam a
utilizá-la de acordo com a designação original.
▪ Habitação de baixo custo: neste caso, trata-se somente de habitação barata, o que não
deve ser exclusivamente aplicada à população de baixa renda.
▪ Habitação para população de baixa renda: eis, portanto, o termo mais próximo de
habitação de interesse social. Contudo, a sua aplicação necessita da especificidade da
renda máxima necessária para a participação das famílias que deverão ser cadastradas no
programa.
▪ Habitação popular: as favelas, as habitações precárias das periferias das cidades e os
cortiços compõem as suas tipologias básicas existentes. Além disso, as políticas públicas,
ou compartilhadas entre os sectores privados e as comunidades, também podem ser
entendidas como programas de habitação popular.

Em uma cartilha sobre o plano diretor estratégico de São Paulo, propõe-se uma clara distinção
entre habitação de interesse social e habitação de mercado popular (Bonduki, Rolnik, & Amaral,
2003).

9
 ▪ Habitação de interesse social: é produzido pelo poder público ou associado a ele, assim
como deve ser voltado para famílias com até 6 salários mínimos. As tipologias comuns a
essa habitação têm, além dos quartos e sala, um único banheiro e uma área útil em torno
de 50 m2.
▪ Habitação de mercado popular: neste caso, a produção da habitação deve ser feita por
empresas privadas, as quais disponibilizam essas moradias para a venda no mercado.
Mais abrangente do que a habitação de interesse social, a habitação de mercado popular
é produzida para a população com renda de até 16 salários mínimos. Por fim, a tipologia
comum a essa habitação contém, no máximo, dois banheiros e uma área útil de até 70 m2.

Assim como a designação de Bonduki et al. (2003), o Sistema Nacional de Habitação brasileiro
propõe a divisão de duas fontes de recursos a partir das características populacionais que deverão
ser atendidas: Subsistema de Habitação de Interesse Social e Subsistema de Habitação de
Mercado. Enquanto o primeiro visa garantir subsídio para população de baixa renda, o segundo
visa adequar o mercado privado para alargar as possibilidades de arrecadação de recursos através
da inclusão de novos agentes (Shimbo, 2010).

Apesar de todas as distinções e aproximações semânticas, neste trabalho será utilizado o termo
habitação social como sinônimo de habitação de interesse social, o que distingue da habitação de
mercado popular, o qual tem uma abrangência que excede o tema desta tese. Para que a definição
de habitação social possa ser contextualizada, será exposto um breve resumo com um quadro
temporal das principais características desses programas sociais para este trabalho: a política de
Estado e a qualidade de seus projetos arquitetónicos.

2.2.2 Período de 1930-1960

Durante a Era Vargas, a produção e o mercado do aluguel habitacional brasileiro passam a ser de
responsabilidade do Estado (Bonduki, 1994). Assim, com um projeto nacional
desenvolvimentista, o presidente Vargas põe a habitação social em destaque com o objetivo de
incentivar a economia industrial e urbana através de uma maior intervenção estatal.

Ao longo da década de 1930, a partir da fundação dos Institutos de Aposentadorias e Pensões

(IAPs), o Estado brasileiro passou a facilitar o acesso da população à casa própria através de
financiamentos de conjuntos habitacionais e moradias em grande escala para trabalhadores
associados de todo o Brasil (Farah, 1985). Em 1937, com a criação das Carteiras Prediais, os IAPs
permitiram aplicar parte das reservas no financiamento ou na construção de habitações para os

10
trabalhadores. Assim, de maneira geral, entre os anos de 1937 e 1950 o problema da habitação no
Brasil passou a ser enfrentado de forma sistemática e encarada como até então não houvera sido
em governos anteriores (Bonduki, 1994). Quanto ao projeto arquitetónico, as habitações desse
período foram influenciadas pelos conceitos modernistas (Figura 2.2) advindos da Europa
(Bonduki, 1994). Com base nisso, os blocos habitacionais construídos nesse período traziam em
sua composição a busca pela racionalidade, o desafio da produção em série, como a Europa havia
feito no período pós-guerra para resolver seus problemas de deficit habitacional. No interior dos
edifícios, a abordagem funcional prevaleceria através do conceito “máquina de morar”, como
pensada por Corbusier, 2011.

Figura 2.2 – Conjunto residencial Vila Guiomar: estrutura em concreto armado, planta e fachada livres, elevados por
pilotis (adaptado de Bonduki, 1994).

Outro importante requisito de projeto que passava a ser aplicado nessas construções era o da
implantação urbana, de como esses equipamentos deveriam relacionar-se com a cidade (Palermo,
Morais, Costa, & Felipe, 2007). Os conjuntos habitacionais construídos entre as décadas de 1940
e 1950 apresentaram programas inovadores, os quais relacionavam habitação social com
equipamentos sociais, recreativos, áreas verdes e de lazer (Máximo, 2012). Desse modo, esses
núcleos habitacionais foram utilizados como referência na apresentação de um Estado Novo,
cujos ideais concentravam-se na proposta de controle, subalternidade e padronização.

Em 1946, com o governo Dutra, foi criada a Fundação da Casa Popular (FCP). A oferta de
moradias próprias passou, portanto, a ser uma maneira de aproximação entre o governo e a classe
trabalhadora (Bonduki, 2004). O objetivo da fundação foi o de solucionar o problema habitacional
a partir de uma centralização da política de habitação de todo o país. A FCP foi a primeira
instituição que se voltou unicamente para atender ao fornecimento de residências da parcela de
menor poder aquisitivo da população (Azevedo & Andrade, 2011). A predominância das

11
construções da FCP era de unidades unifamiliares, com área de até 70 m2 e 60m2 com dois pisos,
cujas unidades eram geralmente homogêneas em cada conjunto (Azevedo & Andrade, 2011).

Em 1964, a partir da ascensão do regime militar, a FCP é extinta e é criado o BNH juntamente
com o Sistema Financeiro de Habitação (SFH). Entre os objetivos dessa nova política habitacional
encontrava-se a busca por geração de novos empregos a partir da mobilização da indústria da
construção civil. Por outro lado, financiou-se a verticalização de residências de classe média em
áreas centrais das cidades, aumentou-se o processo especulativo da terra urbana e consolidaram-
se grandes empresas da área da construção civil no Brasil (Maricato, 1987). Para isso, a sua receita
era proveniente de 1% da folha de pagamento do salário dos trabalhadores, além dos recursos das
cadernetas de poupança (Azevedo & Andrade, 2011). Assim, através das Companhias Municipais
de Habitações (COHABs), buscava-se empréstimos com o BNH e, por conseguinte, eram feitos
os contratos com as construtoras.

2.2.3 Período de 1960-1990

A arquitetura decorrente do período do regime militar (1964 a 1986) apresentou menor qualidade
técnica que as das IAPs, sobretudo devido à preocupação excessiva com a redução de custos e de
um “racionalismo formal desprovido de conteúdo” (Bonduki, 2004). Essa baixa qualidade era
notável nos blocos repetitivos e desvinculados do contexto urbano. Além disso, a distância dos
centros urbanos foi outro fator necessário para o barateamento da construção e, por conseguinte,
acessibilidade financeira para a parcela mais baixa renda da população.

Na necessidade de redução do preço das habitações houve também a redução dos espaços, que
chegaram a ser de apartamentos pequenos com dimensões (Figura 2.3) em torno de 50 m2 (Folz,
2002). Os blocos habitacionais desse período tinham até quatro pavimentos, não havia elevadores,
os equipamentos recreativos encontravam-se no térreo de forma isolada e sem distinção clara
entre espaços privados ou públicos, exceto nos casos de playground ou quadras esportivas. No
que tange às habitações residenciais unifamiliares, os lotes tinham área entre 160 e 240 m2, com
os quarteirões estreitos e compridos (Folz, 2002). Mais uma vez, se comparado com as IAPs, os
projetos do BNH eram desprovidos de qualidade de materiais aplicados à obra, além de
recorrentes defeitos técnicos de execução do projeto (Azevedo & Andrade, 2011).

12
Figura 2.3 – Projetos habitacionais do BNH: Conjunto Anil IV, no Maranhão, com 43 m2 (A) e Comunidade Bancária
Santos Dumont, no Rio de Janeiro, com 54, 75 m2 (B) (adaptado de BNH, 1979).

Entre as décadas de 1970 e 1980 apenas 6,4 % do saldo financiado do BNH estava voltado para
os segmentos populares (W. R. Coelho, 2002). Na crise econômica enfrentada na década de 1980
o SFH paralisou investimentos públicos e privados em habitação popular. Em 1985 o BNH foi
extinto e incorporado à Caixa Econômica Federal (CEF). De acordo com Azevedo e Andrade
(2011), em números absolutos o BNH obteve um pouco mais de um milhão de casas construídas,
se comparadas a produções inferiores a 200 mil residências no período de Vargas. Contudo, se
comparadas as relações entre oferta e demanda, entre os anos de 1972 e 1976 houve aumento de
114 % dos domicílios de construção rústica e somente 0,7 % de habitações duráveis na zona
urbana do país (Azevedo & Andrade, 2011). Isso se deu sobretudo por um aumento migração do
campo para as grandes cidades e, portanto, no aumento da demanda por moradia, embora
dificilmente atendidas.

A Constituição Federal de 1988 (CF 88) consolida o processo de redemocratização do Brasil e,

no âmbito do planeamento urbano, estabelece em dois artigos (182 e 183) a função social da
propriedade urbana, o que representa um avanço em relação às constituições brasileiras anteriores
(Brasil, 1988). De acordo com a CF 88, a função social da propriedade urbana é cumprida na
medida em que segue as exigências do ordenamento das cidades determinadas pelo Plano Diretor
do município no que tange aos limites de uso e ocupação do solo urbano (Brasil, 1988). Grande
parte dessa conquista pode ser atribuída à mobilização dos movimentos sociais de reforma urbana,
a qual contribuiu para o desenvolvimento de instrumentos jurídicos de uso do solo e
municipalização das políticas habitacionais (W. R. Coelho, 2002). Os principais objetivos dessas
medidas são, portanto, a redução dos impactos ambientais e sociais causados pelo crescimento
das cidades.

2.2.4 Período de 1990-2020

13
Em consonância com os avanços constitucionais brasileiros, em 1992 a Conferência das Nações
Unidas sobre Ambiente e Desenvolvimento, realizada no Rio de Janeiro, aprovou o documento
internacional denominado Agenda 21, cujos temas discutidos abrangem as dimensões
socioeconómica e ambiental (Ministério do Meio Ambiente, 1992). Em 1996, por sua vez, com
a Segunda Conferência das Nações Unidas sobre Assentamentos Humanos (Habitat II), realizado
em Istambul, consolida o compromisso internacional no sentido de adoção de políticas de
desenvolvimento social, económico e ambiental (United Nations, 1996). No documento Habitat
II, o direito à moradia é declarado como direito humano.

Entre as políticas habitacionais dos anos de 1990 destaca-se o Plano de Ação Imediata para
Habitação (PAIH), no qual estavam contidos o Programa de Habitação Popular (PROHAP),
relativo ao setor público, e o Programa Empresarial Popular, implementado pelo setor privado. O
PAIH era financiado pelo Fundo de Garantia do Tempo de Serviço (FGTS)3, e atendia a famílias
com renda de até 5 salários mínimos. Contudo, entre os anos de 1993 e 1998 os programas
habitacionais concentravam-se mais em melhorias das condições de habitabilidade e oferta de
créditos, ao passo que a produção de habitações populares reduziam (Máximo, 2012).

Um exemplo apresentado por Máximo (2012) na cidade de Fortaleza, capital do Estado do Ceará,
revela resultados do conjunto habitacional São Cristóvão, construído através do PAIH, cuja
produção total foi de 3590 casas do tipo embrião, implantadas em lotes de 6 x 22 metros, com o
total de área construída de 24 m2 por unidade. Além da exígua área definida para cada unidade
habitacional, o conjunto apresentava baixa qualidade de materiais aplicados e seu terreno
encontrava-se afastado do centro urbano, o que tornou preço da terra mais barato para as
construtoras, bem como desprovido de infraestrutura adequada. Esse problema da infraestrutura
ainda foi agravado pelo alto adensamento previsto para o conjunto, que foi de 17 mil moradores.

Em contrapartida às dificuldades enfrentadas nas produções habitacionais das últimas décadas

analisadas, em 2001 é promulgada a Lei Federal Estatuto da Cidade, a qual regulamenta,
sobretudo, a função social da propriedade da CF 88. Uma das consequências dessa lei é a
possibilidade de demarcação de Zonas Especiais de Interesse Social (ZEIS), as quais podem ser
aplicadas, por exemplo, aos vazios urbanos. Para que essas áreas cumpram suas funções sociais,
os terrenos vazios em regiões centrais da cidade, cuja razão predominante por manterem-se sem
ocupação é a especulação da terra (Beltrame, 2013), podem ser destinados para habitação social.
Trata-se de um importante instrumento de enfrentamento às desigualdades sociais em territórios

3 Fundo criado em 1966 e vigente a partir de 1967, para proteger trabalhadores demitidos sem justa causa.

14
urbanos, embora, devido a conflitos económicos, pouco aplicado em cidades brasileiras, mas
ainda assim um grande avanço.

Outros dois marcos na agenda da habitação social brasileira do início do século XXI foram o
Fundo Nacional de Habitação de Interesse Social (FNHIS) e o Plano de Aceleração do
Crescimento (PAC). Em 2005 houve a aprovação da Lei Federal do FNHIS, a qual criou fundos
e conselhos estaduais e municipais com participação social. Em 2007, por sua vez, foi criado
PAC, o qual buscou a retomada de investimentos nas áreas de habitação e saneamento. Trata-se
de um plano ao modo “keynesiano”, o qual, além de investir em infraestrutura de produção e
saneamento, como água e esgoto, priorizou a urbanização de favelas através de recursos do
orçamento federal (Maricato, 2010).

Por outro lado, quanto ao mercado privado, entre 2003 e 2008 (Figura 2.4) observa-se um
crescimento significativo de unidades habitacionais financiadas, destaca-se o ano de 2008 como
o boom imobiliário devido à melhoria de créditos para pessoa física a partir de ampliação dos
prazos de pagamento e a melhoria no ambiente regulatório, o que propicia maior segurança
jurídica aos incorporadores, investidores e construtores (Royer, 2009). De acordo com o sistema
brasileiro de poupança e empréstimo (SBPE), os valores totais de financiamentos concedidos em
2008 atingiram o pico pelo Sistema de Financiamento de Habitação (SFH), com quase três bilhões
destinado para imóveis novos, mais de oito bilhões para imóveis usados e mais de 13 bilhões para
a realização de novas construções habitacionais. A taxa de mercado (TM), bem acima dos anos
anteriores, acompanha o crescimento a uma média de um bilhão para cada tipo de imóvel, sejam
novos, usados ou a construir.

O FGTS tem um papel fundamental no acesso a crédito habitacional de famílias de média e baixa
renda desde sua criação na década de 1960 (Royer, 2016). O modelo segundo o qual esse fundo
funciona tem como base a poupança compulsória a partir de uma contribuição mensal do
empregador de 8 % das remunerações em conta vinculada. Esse fundo foi, portanto, um suporte
para o financiamento da indústria da construção civil desde 1964 a partir do BNH/SFH (Royer,
2016).

15
As faixas A e B ao longo de 1994 a 1997 são definidas a partir de limites preestabelecidos de valor total e financiamento
de acordo com o Conselho Monetário Nacional (CMN). Essas regras de controle também são aplicadas aos Sistemas
de Financiamento da Habitação (SFH). Quanto à faixa de Taxa de Mercado (TM), encara-se como imóveis financiados
acima do limite de controle do CMN.
Figura 2.4 – Evolução dos valores financiados entre 1994 e 2008 (Fonte: Royer, 2009).

2.2.5 Programa Minha Casa, Minha Vida

Como uma confluência entre o PAC e o financiamento de habitações privadas no Brasil, o

PMCMV é iniciativa do Governo Federal, através do Ministério das Cidades, em parceria com a
CEF e o Banco do Brasil. Sua conceção em 2009 teve como objetivo, além da redução do deficit
habitacional brasileiro, a dinamização da economia e combate aos efeitos da crise econômica
internacional iniciada em 2008. O PMCMV foi também um incentivo à construção civil para a
produção de habitações populares, as quais, pela primeira vez na história do país, obtiveram um
montante de subsídios (R$ 16 bilhões) para o financiamento da habitação social (Maricato, 2010).

As faixas de renda subsidiadas pelo PMCMV são relacionadas com as possibilidades do agregado
familiar. Podem ser divididas em Faixa 1, Faixa 1,5, Faixa 2 e Faixa 3. A Faixa 1 é aplicada a
famílias com renda de até R$ 1.800,00 e subsidia em torno de 90 % do valor da obra e não cobra
juro no parcelamento dos 12 meses do valor restante. A Faixa 1,5 é aplicada para famílias com

16
renda familiar de até R$ 2.600,00 e possui subsídios de até 47,5 mil reais, com taxa de juros de
5 % ao ano. A Faixa 2 é aplicada a famílias com renda de até R$ 4.000,00, as quais tem como
subsídio o valor de 29 mil reais, com taxa de juros em cerca de 8 % ao ano. Por fim, a Faixa 3 é
aplicada a famílias com renda de até R$ 7.000,00, para as quais não há subsídio, mas conta com
uma taxa de juros ainda abaixo do mercado, em torno de 9,16 % ao ano (Caixa Econômica
Federal, 2020). Portanto, o PMCMV enquadra-se, de modo mais abrangente, em habitação de
mercado popular, como observadas das faixas 1,5 à Faixa 3; em casos específicos, como habitação
social, como o caso da Faixa 1.

A partir de uma revisão bibliográfica acerca do PMCMV conclui-se que o programa habitacional
em questão mantém os mesmos erros do passado quando se trata de qualidade do espacial e da
construção (Kowaltowski et al., 2019). Ao analisar mais de 2400 trabalhos sobre o tema, os
autores defendem que não houve avanço qualitativo dos programas habitacionais anteriores até o
PMCMV. A baixa qualidade dos projetos ocorrem sobretudo devido às reduzidas dimensões
habitacionais e à monótona repetição de modelos (Figura 2.5) que não foram pensados para as
características contemporâneas das famílias brasileiras, tampouco para o local no qual foi
implantado.

No ano de 2019 o deficit habitacional brasileiro foi de 5,9 milhões de domicílios (Fundação João
Pinheiro, 2019). Assim, vê-se que a habitação social brasileira, embora tenha sido pauta de
políticas públicas desde a década de 1930, ainda hoje mostrou-se ineficaz quanto à redução do
deficit habitacional. No entanto, foi oportunidade de financiamento para dinamizar empresas da
construção. A finalidade quantitativa da maioria desses programas, contudo, conduziu para o
segundo plano a qualidade da localização das habitações, da conceção e execução dos projetos
arquitetónicos e urbanísticos.

17
 Figura 2.5 – Implantação de um conjunto habitacional do PMCMV no Maranhão (Palácio do Planalto, 2015).

2.2.6 Síntese

A evolução da habitação social brasileira ocorre com a presença do Estado desde a Era Vargas.
Contudo, o destaque ao deficit habitacional passou a ocorrer a partir do PMCMV, cujos
financiamentos e subsídios desenvolveram-se de forma que até então não havia paralelo,
sobretudo para a Faixa 1, que historicamente não participavam desse tipo de incentivo. O
programa foi capaz de inovar, uma vez que promoveu acesso ao benefício a famílias que sequer
tinham a capacidade de obter crédito.

Por outro lado, esses esforços não foram capazes de resolver a questão do deficit habitacional no
país, além de institucionalizar tipologias que não responderam às necessidades das famílias. Ao
contrário disso, tradicionalmente foram promovidas habitações de baixa qualidade técnica e de
materiais aplicados às obras. Arquitetonicamente as tipologias não se adequaram a mudanças de
uso ou mesmo de ocupação a partir do crescimento das famílias e a inadequação ao clima local,
devido à padronização tipológica, que ignora particularidades locais. Urbanisticamente o
problema acentua-se na medida em que o afastamento dessas construções dos centros urbanos
incrementam seculares ações de segregação da população de baixa renda dos serviços básicos
urbanos.

2.3 Qualidade habitacional

Ao longo de décadas o Estado tem trabalhado diretamente em políticas de combate ao deficit

habitacional. No tópico anterior, concluiu-se que essas ações foram promovidas pelo mercado e
subsidiadas pelo poder público com o intuito de reduzir preços e áreas das unidades habitacionais.
Estas construções em série não respondem diretamente aos requisitos das famílias, nem se
adequam às condicionantes do sítio no qual são implantadas.

A partir disso, devem ser levantadas questões no sentido de compreender o papel da qualidade da
habitação para o bem-estar das famílias que nelas habitam. Portanto, serão apresentados neste
tópico os parâmetros para avaliação da qualidade da habitação, como os dimensionais, os
geométricos, os topológicos e os económicos. Além disso, nos tópicos 2.4, 2.5 e 2.6 parâmetros
como o conforto térmico, o desempenho energético, e a habitação evolutiva, complementarão
uma série de análises que partem do comportamento de famílias e do estado da arte para analisar
e avaliar a qualidade habitacional, sobretudo concernente à habitação social.

18
2.3.1 Conceitos de qualidade e sua aplicação na habitação

Qualidade de um produto é a capacidade que ele deve ter em atender às necessidades do cliente
e, desse modo, promover sua satisfação (Juran et al., 1999). A qualidade na arquitetura, em um
sentido mais amplo, deve ser uma integração entre os aspetos funcionais, formais, técnicos e
económicos da construção (Figura 2.6) (Van Der Voordt & Van Wegen, 2007). Esses quatro
aspetos podem ser definidos da seguinte forma:

▪ Qualidade funcional ou valor de uso: adequabilidade do edifício quanto às atividades

que devem ser realizadas em seu interior;
▪ Qualidade estética: perceção da beleza do edifício, assim como a sua capacidade de
estimular e transmitir originalidade. Deve-se também considerar a maneira como se
usufrui o edifício, isto é, se transmite experiência agradável em um ambiente espaçoso,
acolhedor. Por fim, outra qualidade estética é quando a arquitetura representa uma parte
da cultura, a qual pode ser compreendida como um estilo ou período histórico em
particular.
▪ Qualidade técnica: atendimento aos requisitos estruturais e de serviços, como as
questões relacionadas à estabilidade e rigidez da estrutura, e à facilidade de manutenção
dos serviços. Outros componentes fundamentais tratam da qualidade ambiental, como
conforto advindo da temperatura e humidade adequados; além da acústica, da adequada
iluminação artificial e natural, e da melhor forma de aproveitar recursos naturais de modo
que sejam reduzidos os desperdícios e, portanto, permita o melhor desempenho
energético da construção.
▪ Qualidade económica: relação custo-benefício, isto é, os recursos devem ser aplicados
de forma eficiente e eficaz. Se o edifício for pensado como um investimento, o retorno
necessita ser encarado como uma qualidade económica.

19
 Figura 2.6 – Qualidade na arquitetura: função, forma, construção e custo (adaptado de Van Der Voordt & Van
Wegen, 2007).

De acordo com a Figura 2.7, conclui-se que as primeiras fases do planeamento do projeto são as
que apresentam maior influência sobre o custo final. Por essa razão, seja para reduzir os impactos
de custos, seja para redução de incidência de falhas ao longo do empreendimento (Melhado,
1994), o projeto arquitetónico deve ser encarado também como componente estratégico na obra
para minimizar necessidade de utilização de recursos naturais, como uso do solo, biodiversidade,
ar, água e energia (Bragança, Vieira, & Andrade, 2014) ao longo da fase de construção. Como
consequência, os maiores impactos ambientais e de custos decorrentes de um processo mal
planeado é percebido sobretudo na fase de uso e manutenção do empreendimento, uma vez que
as falhas são acumuladas ao longo do processo de construção.

20
 Figura 2.7 – Influência do projeto na redução impactos e custos de implementação dos critérios de sustentabilidade
(adaptado de Bragança, Vieira e Andrade, 2014).

Do ponto de vista do usuário, essas qualidades podem ser percebidas e avaliadas de forma
diferente e ao longo do tempo de uso da construção. A viabilidade financeira para a compra do
empreendimento, por exemplo, depende da disponibilidade de recursos do comprador e da
expectativa de benefícios da compra, que são de âmbito sociocultural e que ocorrem geralmente
em uma fase anterior ao usufruto mínimo do espaço. Por outro lado, as características que o tempo
atribui à construção, como habitabilidade, facilidade de manutenção, adaptabilidade espacial e
flexibilidade funcional do edifício, geralmente são percebidas pelos moradores após algum tempo
de uso (Fabricio, Ornstein, & Melhado, 2010). Por essa razão, um projeto de qualidade pode ser
encarado não só como uma ferramenta para eficiência de uma obra, mas também como um fator
de decisão de compra e de satisfação de um cliente a longo prazo, uma vez que um adequado
processo de projeto necessita identificar as necessidades do futuro morador através dos quesitos
mínimos, como desempenho e custo (Souza & Abiko, 1997).

2.3.2 Critérios de avaliação da qualidade da habitação

Ferramentas como a avaliação de qualidade arquitetónica podem contribuir para a participação

de especialistas e, sobretudo, não especialistas na área. Esses métodos podem ser divididos em
análise, a qual permite uma maior compreensão do contexto estudado, e avaliação, a qual fornece
meios para a classificação e melhorias dos resultados (Pedro, 2000).

O método QUALITEL, foi desenvolvido na França em 1974 e atua até os dias de hoje (Qualitel,
2020). O objetivo deste método é oferecer um sistema de informação a respeito do aspeto

21
tecnológico-construtivo da habitação, que facilite tanto a tomada de decisão de um comprador,
como apresentar critérios técnicos para projetistas, como ferramenta promocional para o setor de
vendas de uma habitação. Os principais requisitos abordados pelo método QUALITEL é o
conforto acústico, conforto térmico, desempenho energético, bem como a qualidade dos
equipamentos, acessibilidade e controle de custos. Outro método de referência para qualidade da
habitação é o suíço Systém d´Évaluation de Logements (SEL), ou sistema de avaliação da
habitação em português, o qual foi utilizado pela primeira vez em 1975 com base em trabalhos
desenvolvidos em 1960, e foi dividido em quatro etapas: “hierarquia de objetivos”, “ponderação”,
“apreciação/avaliação” e “Síntese de valor/custos de construção e de terreno” (Sousa, 1994). O
processo de avaliação era composto por 66 critérios, os quais partem do objetivo da habitabilidade
elevada, que se subdivide em 38 referentes à habitabilidade da habitação, 13 referentes à
habitabilidade elevada do meio exterior envolvente e 15 referentes à habitabilidade elevada do
local de implantação, organizados segundo o Quadro 2.1.

O sistema de pontuação do método SEL foi criado a partir de uma escala de 0 a 4, cuja nota 0
refere-se a uma insatisfação e nota 4 completa satisfação (Da Costa, 1995).

Quadro 2.1– Critérios de avaliação do método SEL (Adaptado de Costa, 1995).

HABITAÇÃO MEIO EXTERIOR ENVOLVENTE

B1 Área dos espaços individuais B39 Escolha de habitação no mesmo edifício

B2 Área dos espaços comuns B40 Escolha de habitação no meio próximo

B3 Área dos prolongamentos exteriores POSSIBILIDADE DE ESCOLHA

B4 Área da cozinha

B5 Área das instalações sanitárias B41 Estacionamento para automóveis

B6 Área das zonas de circulações B42 Entrada do edifício

B7 Área de arrumos B43 Distribuição interna do edifício

B8 Largura dos espaços individuais B44 Acesso à entrada do edifício

B9 Largura dos espaços comuns CIRCULAÇÃO

B10 Largura dos prolongamentos exteriores

B11 Largura da cozinha B45 Locais de arrumo no exterior

B12 Largura das instalações sanitárias B46 Estacionamento de velocípedes

B13 Largura da zona de entrada B47 Lavandaria e secagem de roupa

B14 Paredes mobiláveis nos espaços individuais B48 Locais comuns polivalentes

B15 Paredes mobiláveis nos espaços comuns EQUIPAMENTOS NO EDIFÍCIO

B16 Paredes mobiláveis na cozinha

B17 Paredes mobiláveis nas zonas de circulação B49 Local de jogos para crianças pequenas

22
 POSSIBILIDADE DE MOBILAR B50 Local de jogos para crianças e jovens

B51 Jardim e criação de animais

B18 Ligação entrada-cozinha EQUIPAMENTOS NO EXTERIOR

B19 Ligação entrada-instalações sanitárias

B20 Ligação entrada-espaços comuns LOCAL DE IMPLANTAÇÃO

B21 Ligação entrada-espaços individuais
Ligações espaços individuais-instalações
B22 B52 Centro de ocupação de tempos livres
sanitárias
B23 Ligação cozinha-zona de refeições B53 Local de jogos para crianças e jovens

B24 Ligações com prolongamentos exteriores B54 Local de jogos para jovens e adultos

COMUNICAÇÕES B55 Parque público

B56 Piscina pública

B25 Distribuição dos espaços individuais B57 Bosque público

B26 Distribuição dos espaços comuns B58 Caminhos pedonais

B27 Separações móveis B59 Lagos e cursos de água

B28 Divisórias não estruturais OCUPAÇÃO DE TEMPOS LIVRES

B29 Modificação da dimensão da habitação

POSSIBILIDADES DE TRANSFORMAÇÃO B60 Zona comercial local

B61 Zona comercial regional

B30 Equipamento sanitário EQUIPAMENTOS COLECTIVOS

B31 Plantações nos prolongamentos exteriores

B32 Janelas nas zonas de estar B62 Jardim de infância

B33 Janelas na cozinha B63 Escola primária

B34 Janelas nas instalações sanitárias B64 Escolas secundárias

B35 Insolação nos espaços individuais B65 Equipamento de serviços sociais

B36 Insolação nos espaços comuns B66 Distância à paragem de transportes

Isolamento acústico entre espaços públicos SERVIÇOS EDUCATIVOS, SOCIAIS E
B37
contíguos CULTURAIS E TRANSPORTES PÚBLICOS
B38 Isolamento acústico no interior

EXIGÊNCIAS FISIOLÓGICAS E FUNCIONAIS

Um programa de qualidade arquitetónica habitacional português foi desenvolvido a partir de

classificação de espaços, função de uso, caracterização de tipologias e exigências de qualidade
adequadas à realidade portuguesa através de requisitos como conforto ambiental, segurança,
adequação do espaço à funcionalidade, à articulação, à personalização e à economia (Pedro,
2000). De posse desse programa é possível comparar tipologias e antever consequências a partir
de tomadas de decisão, uma vez que são estabelecidas caracterizações e tipificações de tipologias
de modo a permitir comparações entre diferentes soluções de projeto.
2.3.3 Avaliação dimensional da habitação

23
As discussões acerca da habitação mínima remontam do período entre o fim século XIX e o início
do século XX a partir de debates higienistas, cuja preocupação com o crescimento das metrópoles
e a forma de habitá-las passou a receber maior atenção no 2° Congresso Internacional de
Arquitetura Moderna (CIAM) (Folz & Martucci, 2007). Contudo, a discussão, que também
ocorrera em outras áreas do conhecimento, não se concentrava somente nas dimensões mínimas,
mas nas necessidades básicas do viver, como observado no trabalho “A evolução contemporânea
da família: estruturas, funções e necessidades” (de Lauwe & de Lauwe, 1965). Assim, no contexto
pós-guerra, o deficit habitacional foi tomado como um desafio pelos arquitetos modernistas na
busca por habitação acessível a todos a partir da redução da área e do processo de industrialização,
que permitiu maior a padronização, a produção em massa e, portanto, menores custos.

Ao longo desses anos, vários estudos acerca do aproveitamento do espaço habitacional foram
desenvolvidos. A literatura reconhece a necessidade de se compreender a evolução dos hábitos
das famílias e a forma como as dimensões da habitação devem afetar a qualidade de vida dos
moradores. Sabe-se também que não é necessariamente proporcional a relação entre tamanho das
áreas dos ambientes e o grau de satisfação dos moradores (Reis & Lay, 2002). Do mesmo modo,
há outras formas de redução de custos sem que isso impacte o tamanho da habitação a ponto de
comprometer a sua qualidade funcional da habitação (Folz & Martucci, 2007).

Um dos critérios mais comuns de avaliação de áreas é o índice de ocupação, o qual estipula a
quantidade mínima de área útil por pessoa (Quadro 2.2). Entre essas recomendações encontram-
se a de Chombart de Lauwe (1963):

Quadro 2.2– Critério de avaliação de áreas: Chombart de Lauwe.

Área m2 / pessoa Nível de conforto espacial

acima de 16 desejável
de 12 a 16 aceitável
de 8 a 12 crítico
abaixo de 8 inaceitável

Blachère (1971), por sua vez, sugere que seja acrescido um fator a mais, a composição familiar
(Quadro 2.3), a partir da qual propõe valores para composição familiar de três pessoas ou mais:

Quadro 2.3– Critério de avaliação de áreas: Blachére.

Área m2 / pessoa Nível de conforto espacial

acima de 22 superior
de 18 a 22 médio
de 14 a 18 modesto

24
De acordo com o arquiteto Alexander Klein, para qualquer que seja o critério de dimensionamento
deve haver formas de otimizá-la (Klein, 1980). Klein propõe um método gráfico o qual pretendia
ser objetivo a partir da busca por solucionar o dilema da redução das superfícies e a manutenção
da qualidade das moradias. Para ele, a forma perfeita deveria ser a mais simples e a mais
económica. Por isso, foram criados os seguintes critérios físicos de otimização (Klein, 1980):

▪ A zona de circulação e percursos devem ser definidos;

▪ O mobiliário e equipamentos domésticos devem ser previstos sem que haja conflito para
flexibilizações e adequada iluminação;
▪ O agrupamento de cômodos deve ser feito de acordo com as proximidades funcionais e
suas combinações geométricas, de modo que permita unidade da forma;
▪ O fracionamento excessivo do espaço deve ser evitado e deve haver zonas de passagem
obrigatória em todos os compartimentos.

De maneira complementar, é recomendável que sejam analisados o número de pessoas por

cômodo e a forma como os moradores usam o espaço (Folz, 2008). Por isso a importância dos
programas habitacionais e as necessidades dos moradores para os possíveis arranjos e dimensões
da habitação. As implicações sociais e culturais necessitam ser refletidas no programa da
habitação, como a consideração do papel da mulher na sociedade, a longevidade dos moradores
e, portanto, a preocupação com a terceira idade, e as mudanças sociais que alteram a composição
familiar (Boueri, 1994). Desse modo, o arquiteto deve buscar compreender o processo do
programa da arquitetura a partir dos aspetos económicos, psicológicos, sociais, fisiológicos,
ergonómicos (Portas, 1965).

No Brasil, alguns trabalhos colaboraram com os estudos de parâmetros de qualidade na habitação

a partir de áreas mínimas (Boueri, 1989, 2008; Boueri, Pedro, & Scoaris, 2012; Buzzar &
Fabrício, 2007; Martins, 1999; Reis, 2000; Reis & Lay, 2002) entre os quais as propostas de
requisitos mínimo, recomendável e ótimo, observados no Quadro 2.4 (Buzzar & Fabrício, 2007).
Em 2013 entrou em vigor a norma NBR 15.575, a qual tem como objeto atender às exigências de
requisitos mínimos de qualidade dos ocupantes no que diz respeito a edifícios habitacionais de
até cinco pavimentos. Esses critérios de qualidade são definidos a partir de requisitos qualitativos,
quantitativos, ou premissas, o que permite uma mensuração mais objetiva. A NBR 15.575
encontra-se dividida em seis partes: requisitos gerais, sistemas estruturais, sistemas de pisos,
sistemas de vedações verticais internas e externas, sistemas de coberturas e sistemas
hidrossanitários. De modo complementar, todas as partes da norma trazem requisitos dos
usuários, os quais se dividem em: segurança estrutural, segurança contra incêndio, segurança no
uso e operação, desempenho acústico, desempenho térmico, desempenho lumínico,

25
estanqueidade, saúde, higiene e qualidade do ar, acessibilidade, conforto antropodinâmico e táctil,
durabilidade, manutenibilidade e impacto ambiental (ABNT, 2013).

Quadro 2.4– Áreas mínimas, recomendáveis e ótimas (Buzzar e Fabrício, 2006).

Ambiente mínimo recomendável ótimo Mínimo Recomendável Ótimo

Quarto de Casal 10,50 11,50 12,00
Quarto duplo 9,00 10,00 11,00
Quartos (soma) 19,50 21,50 23,00
Sala (sala e copa) 14,00 18,00 21,00
Cozinha, marquise e despensa 5,00 6,00 6,50
Banheiro 2,50 2,50 3,00
Área serviço (lavagem e secagem) 2,00 3,00 3,50
Área resultante 43,00 51,00 57,00

Quanto aos requisitos mínimos de dimensionamento da habitação, a NBR 15.575 estabelece

critérios contidos no “Requisito 16.2” e detalhados no “Anexo F” para disponibilidade de espaços
para utilização de móveis e equipamentos. Além das dimensões apresentadas no Quadro 2.5, a
norma trata de um terceiro dormitório para uma pessoa e estabelece dimensões mínimas de sofás
e mesas para a sala de jantar (ABNT, 2013).

Quadro 2.5– Quadro comparativo: PMCMV (2016) e NBR 15.575 (2013) (Adaptado de Pereira, 2015).

PROGRAMA PMCMV / 2016 NBR 15575 / 2013

Mobiliário e
Mobiliário e
Ambiente Dimensões Observações Observações
Dimensões mínimas
mínimas
1 cama (1,40 x
1 cama (1 ,40 x 1,90) Circulação
1,90);
Circulação entre mínima entre
Dormitório 1 criado-mudo 1 criado-mudo (0,50 x
mobília e/ou mobiliário e/ou
casal (0,50 x 0,50) 0,50)
paredes: 0,50m paredes de
1 guarda-roupa 1guarda-roupa (1,60 x
0,50 m
(1,60 x 0,50) 0,50)
Circulação
2 camas (0,80
2 camas (0,80 x 1,90) mínima entre as
x1,90);
Circulação mínima camas de 0,60m
Dormitório entre as camas:
1 criado-mudo 1 criado-mudo (0,50 x Demais
duplo 0,80; demais
(0,50 x 0,50) 0,50) circulações,
circulações 0,50
mínimo de
1 guarda-roupa 1 guarda-roupa (1,50 x 0,50 m.
(1,50 x 0,50); 0,50)
Pia (1,20 x 0,50); Pia (1,20 x 0,50) Largura mínima
Fogão (0,55 de 1,50 m;
Fogão (0,55 x 0,60) circulação
x 0,60); Largura mínima de
Cozinha Geladeira (0,70 x mínima de 0,85
cozinha 1,80 Geladeira (0,70 x 0,70) m frontal à pia,
0,70);
Prever armário fogão e
Armário sob pia geladeira.
sob pia e gabinete
Sala Sofás com Largura mínima: Sofá de 2 lugares (1,20 Largura mínima
estar/refeições número de 2,40m x 0,70) de 2,40m

26
 assentos igual ao
número de leitos;
Prever espaço de
Mesa para 4 2 Poltronas (0,80 x
0,50m na frente
pessoas; 0,70)
do assento
Armário/estante (0,80x Circulação
0,50) mínima de
Estante/Armário
0,75m a partir
TV Mesa quadrada 4 da borda da
lugares (1,0 x 1,0) mesa
Largura mínima
1 lavatório sem 1,50m; prever 1 lavatório (0,39 x
coluna; instalação de barras 0,29) Largura mínima
de apoio e banco 1,10m, exceto
1 vaso sanitário
articulado. Vaso sanitário (0,60 x no box.
com caixa de
Banheiro Assegurar área de 0,70) Circulação
descarga acoplada
transferência ao mínima de
1 box para vaso sanitário e ao 0,40m frontal ao
box, atendendo à Box quadrado (0,80 x lavatório e vaso
chuveiro (0,90 x
pessoa usuária de 0,80)
0,95)
cadeira de rodas.
1 tanque (0,52 x Circulação
1 tanque (0,52 x 0,53)
0,53) mínima de
Área de serviço 0,50m frontal ao
(externa) 1 máquina (0,60 x tanque e à
1 máquina (0,60 x0, 65)
0,65) máquina de
lavar

As especificações mínimas do PMCMV consideram, além das dimensões mínimas e mobiliários

(Quadro 2.5), adequações urbanísticas, como inserção urbana, dimensões viárias, infraestrutura,
espaços livres etc. Com relação às áreas mínimas da habitação, o PMCMV estabelece área útil de
36 m2 para casa e 41 m2 para apartamento, os quais devem conter sala, 1 dormitório para casal, 1
dormitório para duas pessoas, cozinha, banheiro e área de serviços. Há também especificações de
cobertura, esquadrias, pinturas, revestimentos para pisos e paredes, e instalações, além de
recomendações para ampliação da habitação de modo que mantenha a adequada iluminação e
ventilação dos ambientes (Ministério das Cidades, 2016). Como uma maneira de atualizar as
medidas do PMCMV, sugestões para readequações dimensionais são feitas a partir de
bibliografias especializadas (Quadro 2.6), (Boueri et al., 2012). Por fim, as áreas resultantes dessas
readequações são comparadas com recomendações (Quadro 2.7) dos autores de modo a não
restringir fisicamente os movimentos e que permitam que o corpo humano desempenhe atividades
compatíveis com condicionamento dos idosos (Boueri et al., 2012). Notam-se semelhanças entre
as atualizações a partir da literatura e as medidas recomendadas pelos autores, embora tenham
sofrido aumentos do dormitório duplo, 60, 28 % a mais do que o PMCMV, se comparado aos 11,
67 % do programa atualizado. Por outro lado, em dois casos são sugeridas reduções, como
cozinha e espaço para tratamento de roupa, o qual sofre maior redução de área no programa
recomendado.

27
Quadro 2.6– Comparação entre dimensões dos mobiliários, equipamentos e seus espaços de atividades (dimensões
em metros) (Boueri et al., 2012).

PMCMV Atualizado
Mobiliário / Equipamento Dimensão Espaço de Dimensão
Espaço de atividades
física atividades física
Sofá 3 lugares com braços 1.70 x 0.70 0.50 à frente 2.05 x 0.90 0.55 à frente
Mesa retangular com 4 lugares 1.20 x 0.80 0.75 ao redor 1.25 x 0.80 0.60 ao redor
Armário/Estante de TV 0.80 x 0.50 0.50 à frente 1.50 x 0.40 0.70 à frente
0.60 à frente / 0.50 ao
Cama de casal 1.40 x 1.95 0.50 ao redor 1.60 x 2.15
lado
0.80 entre
0.60 à frente / 0.50 ao
Cama de solteiro 0,80 x 1,95 camas / 0.50 0.90 x 1.90
lado
ao redor
Guarda-roupa 1,50 x 0,55 0,50 à frente 2,25 x 0,60 0,80 à frente
0.50 à frente / 0.05 ao
Criado-mudo 0,50 x 0,50 0,50 à frente 0,50 x 0,40
lado
Pia 1,20 x 0,50 0,85 à frente 1,20 x 0,55 0,80 à frente
0.70 à frente / 0.25 ao
Geladeira 0,70 x 0,70 0,85 à frente 0,60 x 0,65
lado
1.00 à frente / 0.15 ao
Fogão 0,60 x 0,60 0,85 à frente 0,50 x 0,55
lado
0.90 x 0.50 área à
Lavatório 0,39 x 0,29 0,40 à frente ⎻
frente
Vaso sanitário com caixa 0.60 x 0.55 área à
0,60 x 0,70 0,40 à frente ⎻
acoplada frente
0.80 x 0.80
0.70 x 0.55 área seca
Box ou 0.70 x ⎻ 0.75 x 0.90
externa ao box
0.90
0.85 x 0.50 área à
Tanque 0.60 x 0.55 0.50 à frente ⎻
frente
0.80 x 0.60 área à
Máquina de lavar roupa 0.60 x 0.65 0.50 à frente ⎻
frente

Quadro 2.7– Comparação entre áreas úteis do programa atualizado, do programa recomendado e do PMCMV

(áreas em m2) (Boueri et al., 2012).

Programa
Ambientes PMCMV Programa atualizado
recomendado
Sala (estar/refeições) 9,92 11,39 (+14,82%) 11,39 (+ 14,82%)
Dormitório Casal 7,68 10,08 (+ 31,25%) 10,08 (+ 31,25%)
Dormitório Duplo 7,20 8,04 (+ 11,67%) 11,54 (+ 60,28%)
Cozinha (preparo de refeições) 5,70 4,21 (- 26,14%) 5,39 (- 5,44%)
Banheiro 3,19 3,16 (- 0,94%) 3,48 (+ 9,09%)
Circulação - 2,03 1,52
Total útil 33,69 38,91 (+15,50%) 43,40 (+ 28,82%)
Tratamento de roupa* (2,40) (2,07) (- 13,75%) 1,85 (- 22,92%)
Total construída 37,70 43,35 (+ 14,99%) 48,07 (+ 27,51%)

2.3.4 Avaliação topológica e geométrica da habitação

28
Sintaxe espacial é o conjunto de técnicas para representação, quantificação e interpretação das
configurações do espaço (Hillier & Hanson, 1984). A partir de uma lógica social do espaço –
uma vez que a sintaxe espacial analisa ideias e princípios culturais, além de relações sociais –,
podem ser extraídos os conceitos de genótipo e fenótipo, que são definidos respetivamente como
regras que estruturam a forma espacial e a forma propriamente dita (Hillier, Hanson, & Graham,
1987). Uma dessas regras para configurações espaciais é designada de “profundidade”, que indica
espaços que podem ser mais ou menos acessíveis a partir de outro espaço. Outra propriedade
utilizada para avaliar a relação desses espaços é a “escolha”, que verifica a existência de rota
alternativa de um espaço para outro (Hillier et al., 1987).

A partir da relação entre fenótipos, (a) e (b), e genótipos, (c) e (d) observados na Figura 2.8, pode-
se inferir que o grafo (c) tem no ponto c o espaço mais acessível se comparado ao ponto c do
grafo (d), além de apresentar rota alternativa dos espaços interiores para o exterior. O grafo (d),
por outro lado, mostra que do ponto c para o ponto b deve haver uma única rota. Assim, de forma
simplificada, tem-se as propriedades profundidade e escolha analisadas.

Figura 2.8 – (a) e (b) apresentam duas relações dos espaços a e b com o lado externo, espaço c. (c) e (d)
correspondem respetivamente aos grafos relativos a (a) e (b) (Hillier et al., 1987).

Uma análise da sintaxe espacial quantificada e aplicada a habitação social no Brasil pode ser
verificada na Figura 2.9, a qual mostra três diferentes tipologias de um conjunto habitacional
denominado Tancredo Neves (A. Reis, 2000). Para isso, foi utilizado o software Spatialist,
desenvolvida pela Georgia Institute of Technology, que avalia conexões da planta a partir de
variáveis de configuração, como profundidade e integração (Peponis, Wineman, Bafna, Rashid,
& Kim, 1998). A integração expressa a acessibilidade de um espaço a partir de outro, além de
indicar a profundidade relativa daquele espaço em relação aos demais. Como consequência,
quanto maior o valor da integração de um espaço, menor a quantidade de espaços a serem
percorridos para alcançar outro espaço do sistema (Hillier et al., 1987). No exemplo da Figura
2.9, o Genótipo 3 é o que apresenta a maior integração e maior profundidade.

29
Figura 2.9 – Genótipos 1, 2 e 3: relação entre plantas de habitação social e suas respetivas análises sintáticas a partir
de grafos (Reis, 2000).

A partir de uma análise de habitação social no Rio Grande do Sul, verificou-se que há uma relação
entre as estruturas sociais e os genótipos nas tipologias estudadas, sobretudo no que se refere às
propriedades de configuração do espaço, como profundidade e escolha (Reis, 2000). Como
conclusão, o trabalho expõe uma divergência entre as relações sociais domésticas e os atributos
do espaço, e por isso o autor sugere que a estrutura espacial que esteja de acordo com a vida
doméstica deve ser explicitada e incorporada ao projeto de habitação social (Reis, 2000).

2.3.5 Qualidade económica da habitação social

Arquitetos de habitação social no Brasil, em entrevista (Siqueira, 2008), afirmam que a construção
económica deve ser “racionalizada” e “simples”. Do ponto de vista construtivo, essa
racionalização da habitação social significa padronização e controle sobre os custos da obra.
Tipologicamente essa economia também pode ser refletida em uma menor superfície de fachada,
como as soluções em fita, que quase chegam a ser unanimidade entre os arquitetos entrevistados
(Siqueira, 2008). Outro componente que contribui para a padronização da construção são as
legislações e códigos de edificações, que estabelecem áreas mínimas, cujas liberdades formais
são comprometidas.

Apesar da relação direta entre redução de área e economia na construção, há abordagens que
defendem ponderações. Uma delas, conclui que planos horizontais, como pisos e lajes,

30
representam 25 % dos custos totais do edifício, ao passo que os verticais, como as divisórias,
custam 45 % e instalações 25 % do total da obra (Mascaro, 1985). Assim, ponderações de custos
podem ser feitos, uma vez que a redução de divisórias seria suficientemente relevante no custo
total se comparado com a redução de área dos cômodos, que pouco impactará nas instalações ou
mesmo nas divisórias. Outra abordagem que relaciona proporções geométricas com custo propõe
considerar a relação entre parede e área em função da forma e da dimensão dos ambientes, formato
resultante do arranjo físico e a quantidade de parede externa. Por fim, na relação entre parede
externa e interna devem ser considerados os custos de acabamento e revestimento (Martins, 1999).
Entre outras vantagens, a abordagem de Martins (1999) apresenta modelos matemáticos com
índices de qualidade, custo e custo-qualidade, além de algoritmo para a avaliação da relação
custo-benefício para solução do projeto.

Mais recentemente, baseado em um programa habitacional português (Pedro, 2000), um programa

de avaliação de qualidade e custo estabeleceu escala de qualidade, custo e área para habitação
social no Brasil (Barcelos & Brandão, 2017). Esse programa também teve como parâmetros
trabalhos brasileiros (Buzzar & Fabrício, 2007; Palermo, 2009), através dos quais foram
propostos valores para área útil, dimensões úteis e funcionalidade. Além desses autores, as
exigências da NBR 15575 foram seguidas. Desse modo, embora reconhecida a necessidade de
permanente revisão das normas de qualidade, é fundamental que não sejam ignoradas em projetos
arquitetónicos de habitação social e que sirvam para a busca mínima de qualidade concomitante
à busca de menores custos.

2.3.6 Síntese

A qualidade habitacional está diretamente relacionada com as necessidades dos moradores, e a

arquitetura é o instrumento para alcançar esta finalidade. Para isso há diversos critérios que devem
considerar qualidade funcional, estética, técnica e económica. Os índices dimensionais, como o
da NBR 15.575, do PMCMV, ou de autores e instituições que elaboraram métodos de avaliação
e critérios para adequar medidas às ações humanas na habitação são exemplos de critérios
amplamente debatidos na literatura e que ajudam na elaboração e adaptação para critérios mais
específicos, de realidades distintas.

Conclui-se, portanto, que a redução das áreas dos cômodos não é a única solução considerada
para a redução de custos, uma vez que essa decisão não é necessariamente a mais económica do
que redução de divisórias, por exemplo. Atributos espaciais para além das dimensões, como
integração e escolha, também precisam ser incorporados aos projetos de habitação social, haja

31
vista a qualidade do espaço necessitar considerar a qualidade das relações entre os ambientes,
como o que se analisado na sintaxe espacial.

2.4 Conforto térmico

De forma a complementar as análises dimensionais e topológicas da habitação apresentadas no

tópico anterior, entende-se conforto térmico como indicador de qualidade, além de ser um dos
fatores que determina a adaptação da construção às alterações do clima. Para que sejam
alcançados bons resultados serão verificados fatores passíveis de quantificação, como o ambiental
e nível de ocupação dos ambientes, e os não quantificáveis, como os atributos psicológicos e
sociológicos do indivíduo.

O conforto térmico é uma condição em determinado ambiente que é percebida com satisfação
pela mente (ASHRAE, 2010). Trata-se, portanto, de uma sensação subjetiva, que está
condicionada não só às condições físicas externos ao corpo humano, como também às reações
fisiológicas e psicológicas do indivíduo impactado. Em geral, quando há o mínimo esforço
fisiológico para manter regulada a temperatura do corpo, quando a humidade sobre a superfície
da pele é baixa e a temperatura do corpo mantém-se em faixas estreitas, diz-se estar termicamente
confortável (Z. Lin & Deng, 2008). Assim, a adequação térmica do ambiente deverá implicar
melhor produtividade em ambientes de trabalho (Wagner, Gossauer, Moosmann, Gropp, &
Leonhart, 2007), de sono (Z. Lin & Deng, 2008) além de salubridade do espaço interior de uma
edificação.

O calor é produzido em nosso corpo em função do metabolismo, ao passo que as perdas ocorrem
através da respiração e das trocas entre a pele e o meio envolvente. Essas trocas de calor latente
e sensível devem ocorrer respetivamente por meio de transferência de vapor d’água e por
convecção, condução, radiação entre o corpo e as superfícies ao redor. Assim, a sensação de
conforto térmico poderá ocorrer na medida em que há neutralidade térmica, isto é, quando a
produção de calor iguala-se à taxa de calor perdida para o meio envolvente. Contudo, a
neutralidade térmica é uma condição necessária, mas não suficiente, pois se houver assimetria de
radiação sobre o corpo, poderá haver neutralidade, mas não conforto (Lamberts, 2011).

A expressão que representa o balanço de energia entre o corpo e o ambiente (Fanger, 1970), é
descrito de acordo com a Equação 2.1:

M – W = QSK + QRES = (C + R + ESK) + (CRES + CRES) (2.1)

Onde:

32
M = Taxa metabólica (W/m2);
W = Taxa de trabalho mecânico realizado pelo corpo (W/m2);
QSK = Taxa total de perda de calor pela pele (W/m2);
QRES = Taxa total de perda de calor pela respiração (W/m2);
C+R= Perda de calor sensível pela pele: convecção e radiação (W/m 2);
ESK = Perda de calor latente pela pele: evaporação (W/m2);
CRES = Perda de calor sensível pela respiração: convecção (W/m2);
ERES = Perda de calor latente pela respiração: evaporação (W/m2).

2.4.1 Avaliação do conforto térmico

Há duas principais abordagens para a avaliação do conforto térmico, a estática, ou racional, e a

adaptativa. A abordagem estática foi obtida através de experimentos em câmaras climáticas
controladas com o total de 1300 jovens estudantes sob condições de transferência de calor em
estado estacionário (Fanger, 1970). A partir desses estudos, obteve-se a determinação dos índices
de Predicted Mean Vote (PMV), de Predicted Percentage of Dissatisfied (PPD) e das
especificações das condições aceitáveis de conforto térmico, sendo elas definidas a partir do
equilíbrio entre os ganhos e perdas de calor do corpo humano (Fanger, 1970).

Normalizado pela ISO 7730 (2005), o PMV, ou voto médio estimado, é um índice de conforto
que estipula requisitos para ambientes termicamente moderados, especialmente elaborado para os
que forem climatizados artificialmente, em que os utentes devem praticar atividades leves. Esse
índice foi estimado para prever a sensação térmica de um grupo de pessoas de acordo com a escala
de sete pontos, cujos limites vão do frio (-3) ao quente (+3), e entre eles o neutro (0), considerado
confortável (Quadro 2.8). Seis principais fatores devem ser considerados para determinar o índice
PMV, sendo quatro deles relacionados aos aspetos físicos (temperatura do ar, temperatura
radiante, velocidade do ar e humidade) e dois deles relacionados ao indivíduo (metabolismo e
vestimenta) (ASHRAE, 2010).

Quadro 2.8– Escala descritiva de sete pontos (ASHRAE, 2010).

Escala descritiva ASHRAE Escala numérica

Frio +3
Frio moderado +2
Frio leve +1
Confortável 0
Calor leve -1
Calor moderado -2
Quente -3

As recomendações para a aplicação do PMV são:

▪ Velocidade do ar entre 0 e 1m/s;

33
 ▪ Índice calculado entre -2 e +2 para ambientes moderados;
▪ Taxa metabólica deve manter-se entre 46 e 232 W/m2;
▪ Isolamento do vestuário entre 0 e 2clo;
▪ Temperatura do ar entre 10 e 30 °C e
▪ Pressão parcial do vapor d’água entre 0 e 2700Pa.

O índice PPD, de modo complementar, busca prever o percentual de insatisfação de acordo com
o grau de desconforto térmico. Um ambiente é considerado aceitável quanto ao seu desempenho
térmico quando 80 % das pessoas encontram-se satisfeitas (ISO 7730, 2005). Na Quadro 2.9 pode
ser observado que o intervalo do PMV ±0.5 é onde se concentram 90 % de satisfação com o
ambiente térmico e, portanto, deve ser considerada uma zona de conforto. A ASHRAE define
intervalo de conforto o PMV ±0.5 sem determinar categorias. A ISO 7730, por sua vez, propõe
três categorias de conforto (A, B e C), na qual são definidos os valores escalares de ±0.2, ±0.5 e
±0.7.

Quadro 2.9– Relação entre PPD, PMV e perceção humana (adaptado de Becker, 2000).

PPD (%) PMV Perceção humana

> 80 < -2.5 Forte estresse devido ao frio
> 50 -1.5 – -2.5 Moderado estresse devido ao frio
> 10 -0.5 – -1.5 Leve estresse devido ao frio
< 10 -0.5 – +0.5 Confortável
> 10 +0.5 – +1.5 Leve estresse devido ao calor
> 50 +1.5 – +2.5 Estresse moderado devido ao calor
> 80 > +2.5 Forte estresse devido ao calor

A abordagem estática desenvolvida por Fanger (1970) como uma proposta universal foi
considerada questionável porque generaliza limites de conforto de temperatura e não leva em
consideração fatores psicológicos, os quais são determinantes para o controle das condições de
conforto de um indivíduo (Lamberts, 2011). Por outro lado, pesquisas passaram a ser realizadas
em situações reais, cujas ações rotineiras das pessoas e ambientes não controlados abriram um
campo considerado mais adequado para análise do mundo real. Além disso, ambientes
naturalmente ventilados e medições empíricas da relação entre variáveis ambientais internas e
externas passam a fazer parte do voto de conforto.

A abordagem adaptativa, por outro lado, parte do princípio de que pessoas conseguem acostumar-
se às circunstâncias às quais encontram-se expostas regularmente devido a uma série de ações de
adaptação (Nicol & Humphreys, 1973). De acordo com de Dear & Brager (1998), existem três
categorias de adaptação:

34
 1- Adaptação comportamental, na qual se encontram as ações de modificação térmica
entre o corpo e o ambiente, como adaptação de roupa, programação de atividade, postura,
mover-se para uma localização diferente, abertura e fechamento de janelas ou
sombreamentos, ligar ventiladores ou aquecedores etc.;
2- Adaptação fisiológica, na qual se concentram todas as mudanças nas respostas
fisiológicas como resultado da interação entre o indivíduo e o ambiente térmico, como o
suor, a alteração da taxa metabólica ou alteração nas tensões musculares;
3- Adaptação psicológica, na qual o relaxamento quanto às expectativas climáticas no
interior do ambiente pode ser equiparado à habituação psicofísica. Desse modo, a
expectativa do clima interno pode atenuar significativamente a perceção térmica.

A abordagem adaptativa baseia-se em modelos de avaliação de conforto para edifícios

condicionados artificial e naturalmente. Para que o modelo seja válido, de acordo com a
(ASHRAE, 2010), devem ser satisfeitas as seguintes condições:
▪ Os edifícios devem ser ventilados naturalmente;
▪ Seus espaços devem ser regulados pelos ocupantes através de abertura e fechamento das
janelas;
▪ Não devem ter sistemas mecânicos de refrigeração, embora seja permitido o sistema de
ventilação mecânica;
▪ A temperatura média mensal exterior deverá variar entre 10° C e 33.5° C;
▪ Os ocupantes devem ter restritos os níveis de atividades a 1,0 e 1,3 met.

De acordo com Attia (2012), alguns trabalhos buscam relacionar a perceção de conforto com
medidas recentes de temperaturas externas e temperatura interna atual através da correlação linear
entre média da temperatura externa (Te) e temperatura operativa (To): To = a Te + b, além de
definir 90 % e 80 % de intervalo de aceitabilidade (Figura 2.10) (De Dear & Brager, 2002). A
temperatura operativa é definida como temperatura uniforme de um ambiente negro imaginário
no qual o ocupante trocaria a mesma quantidade de calor por radiação e convecção que no
ambiente real (ASHRAE, 2010). A temperatura operativa pode ter seu cálculo aproximado do
valor médio da temperatura do ar e temperatura média radiante.

35
Figura 2.10 – Temperatura operativa de conforto em função da temperatura média mensal exterior: recomendação de
valores de aceitabilidade (adaptado da ASHRAE 55, 2010).

2.4.2 Estratégias bioclimáticas para habitação no Brasil

Normas para conforto térmico são necessárias para que projetistas consigam fornecer ao interior
da construção o conforto adequado para os futuros moradores. Por sua vez, o adequado
desempenho da construção propiciará não somente conforto aos moradores, mas também reduzirá
o consumo de energia. No Brasil, a norma NBR 15220 entrou em vigor no ano de 2005, e o seu
objetivo é permitir que haja avaliação do desempenho térmico na fase de projeto da habitação de
interesse social. Para isso, em cada Zona Bioclimática deve haver recomendações técnicas e
construtivas para uma melhor adequação ao clima do local de implantação e, por conseguinte, um
melhor desempenho térmico da construção (ABNT, 2005). A NBR 15220 divide o país em oito
zonas climáticas, cujas características alteram-se de acordo com a vegetação, o relevo e as
temperaturas das regiões abordadas, haja vista a heterogeneidade territorial bioclimática brasileira
devido à sua extensão continental (Figura 2.11). Para a classificação de cada cidade quanto às
características de suas respetivas zonas, utilizou-se as planilhas de Mahoney para que pudessem
ser delimitadas as propriedades térmicas dos componentes construtivos, como o fator solar, o
atraso térmico e a transmitância térmica (Lamberts, 2016).

36
 Figura 2.11 – Zoneamento Bioclimático brasileiro de acordo com a NBR 15220 (ABNT, 2005).

A carta bioclimática brasileira), ao basear-se nas cartas bioclimáticas de Givoni (1992), adotou
para cada mês do ano registos mensais de temperatura e humidade do ar, representados por uma
reta (Figura 2.12). Os dados de entrada foram lançados da seguinte forma: temperatura mínima
(Tmin) deve ser igual à média das temperaturas mínimas; a temperatura máxima (Tmax) igual à
temperatura médias das máximas e a humidade relativa (HR) igual à média mensal da humidade
relativa (ABNT, 2005).

Figura 2.12 – Carta bioclimática brasileira (ABNT, 2005).

37
Portanto, o ponto “a” (Figura 2.13) interseção entre Tmed (Equação 2.2) e HR, corresponderá à
média mensal da humidade absoluta (Hmed), calculado em g de vapor / kg de ar seco. A reta “bc”
representa todas as horas de um dia médio de um determinado mês. Por outro lado, as horas mais
frias do dia encontram-se na região C e as mais quentes na região D (Figura 2.13). Se a reta inteira
equivale a 100 %, os segmentos C, D e E deverão corresponder aos seus percentuais proporcionais
às horas de estratégias.

Figura 2.13 – Determinação de cada ponto: a, b, c (à esquerda) e percentual das estratégias (à direita) (ABNT, 2005).

O cálculo da temperatura média mensal será:

Tmed = (Tmin + Tmax) / 2 (2.2)

As estratégias para conforto térmico estabelecidas para as zonas bioclimáticas brasileiras devem
ser aplicadas às dimensões das aberturas para a ventilação; às proteções das aberturas; às paredes
externas, às coberturas e às características das vedações; e às estratégias passivas de
condicionamento térmico nos ambientes (Quadro 2.10). Assim, para um conjunto de cidades
pertencentes a uma específica zona bioclimática deve haver parâmetros e diretrizes que
possibilitem uma maior adaptabilidade térmicas das habitações a serem construídas.

Quadro 2.10– Diretrizes construtivas para as zonas bioclimáticas brasileiras (ABNT, 2005).

Estratégias de
Vedações Abertura para Sombreamento das
Zona condicionamento térmico Estação
externas ventilação aberturas
passivo
Aquecimento solar da
Permitir sol durante
ZB1 Parede leve Médias edificação e vedações Inverno
o período frio
internas pesadas
ZB2 Parede leve Médias Ventilação cruzada Verão

38
 Aquecimento solar da
Cobertura Permitir sol durante
edificação e vedações Inverno
leve e isolada o inverno
internas pesadas
Parede leve
Ventilação cruzada Verão
refletora
Permitir sol durante
ZB3 Médias Aquecimento solar da
Cobertura o inverno
edificação e vedações Inverno
leve e isolada
internas pesadas
Resfriamento
evaporativo, massa
térmica para resfriar e
Parede pesada ventilação seletiva Verão
(períodos quentes,
ZB4 Médias Sombrear aberturas
quando a temperatura
interna supera a externa).
Aquecimento solar da
Cobertura
edificação e vedações Inverno
leve e isolada
internas pesadas
Parede leve
Ventilação cruzada Verão
refletora
ZB5 Médias Sombrear aberturas
Cobertura Vedações internas
Inverno
leve e isolada pesadas
Resfriamento
evaporativo, massa
térmica para resfriar e
Parede pesada ventilação seletiva Verão
ZB6 Médias Sombrear aberturas (períodos quentes,
quando a temperatura
interna supera a externa).
Cobertura Vedações internas
Inverno
leve e isolada pesadas
Resfriamento
evaporativo, massa
Parede pesada térmica para resfriar e
ZB7 Pequenas Sombrear aberturas ventilação seletiva Verão
(períodos quentes,
quando a temperatura
Cobertura
interna supera a externa).
pesada
Parede leve
refletora Ventilação cruzada
ZB8 Grandes Sombrear aberturas Verão
Cobertura leve permanente
e refletora

Em projeto de habitação social, a NBR 15220 é utilizada para a definição das Zonas Bioclimáticas
das cidades analisadas pela NBR 15575, e pode ser dividida em três procedimentos:

i. O primeiro é o procedimento simplificado de análise, no qual são aferidos os requisitos e

critérios de desempenho constantes para fachadas e coberturas, segundo a NBR 15575-4
e a NBR 15575-5.
ii. Caso não sejam atendidos os critérios analisados de acordo com o procedimento
simplificado, deve-se recorrer à simulação do desempenho térmico: no qual são aferidos
requisitos e critérios estabelecidos na NBR 15575-1 através de simulação computacional.

39
 iii. Por fim, o procedimento de realização de medição em campo, no qual são realizadas
medições em edificações de acordo com a NBR 15575-1 (ABNT, 2013).

2.4.3 Síntese

Através da revisão bibliográfica pressupõe-se a utilização da abordagem cuja avaliação de

conforto é adaptativa, haja vista tratar-se de edifícios que buscam ventilação natural, sem sistema
mecânico de refrigeração. No subcapítulo 2.4.3 foram abordadas as estratégias bioclimáticas para
a habitação social no Brasil a partir da NBR 15220, a qual apresenta o zoneamento bioclimático
brasileiro e estratégias para conforto nessas distintas regiões, como tipos de vedações, aberturas
para ventilação e estratégias de condicionamento térmico passivo para diferentes estações do ano.
De forma a complementar, a NBR 15575 diferentes critérios para análise do desempenho térmico
foram analisados, entre eles a simulação computacional, a qual será adotada como base para este
trabalho.

2.5 Desempenho energético das habitações sociais unifamiliares no Brasil face às alterações
climáticas

As mudanças climáticas impactarão a média e a variabilidade da temperatura, da precipitação, da

humidade, da irradiação solar, além da velocidade e direção dos ventos (Karl & Trenberth, 2003).
Portanto, o desempenho térmico e energético dos edifícios dependerão dessas novas condições
sobre as quais estarão expostos (De Wilde & Tian, 2011). O nível de emissão de gases de efeito
estufa, a partir de cenários projetados, tendem a crescer em um futuro próximo em todo o mundo,
haja vista haver fortes relações entre interferências humanas sobre a atmosfera e o aquecimento
global da superfície da Terra (IPCC, 2014). Como consequência para a habitação, a vida útil de
um edifício estende-se de modo que a adaptação para possíveis futuras mudanças se torna
emergente. As alterações climáticas impactarão, de sobremaneira, populações que vivem em áreas
vulneráveis, como as favelas brasileiras, cujos acessos a serviços básicos, como rede de
esgotamento sanitário, água potável e energia, são extremamente limitados. O aquecimento global
intensificará essas limitações, uma vez que a taxa de evaporação dos recursos hídricos deverá
aumentar (W. L. Filho et al., 2019).

No Brasil, devido à produção de energia elétrica concentrar-se predominantemente em fontes

hidroelétricas, a sua oferta reduzirá sobretudo na região nordeste (de Lucena et al., 2009) e,
portanto, deverá tornar-se mais cara (Schaeffer et al., 2008) devido ao aumento de demanda e
queda de oferta de energia não só hidrelétrica, como outras fontes renováveis. Isso impactará a
economia e intensificará a pobreza energética de populações de baixa renda. Além disso, os
impactos das mudanças climáticas serão percebidos em áreas urbanas, na medida em que haverá

40
aumento de temperatura, precipitações intensas, inundações, deslizamento de terras, secas,
poluição do ar, aumento do nível do mar, dentre outras consequências catastróficas. Esses efeitos
serão mais intensamente percebidos por populações vulneráveis, as quais, por necessidade,
abrigam-se em áreas de risco nas cidades mais pobres (IPCC, 2014).

Um exemplo histórico de crise hídrica enfrentada no Brasil, que poderá tornar-se cada vez mais
constante, foi o caso ocorrido em 2001. Devido à redução dos níveis dos rios decorrentes da falta
de chuva, o fornecimento de energia, que se dá predominantemente a partir das hidrelétricas, foi
fortemente afetado em todo o país. Por essa razão, neste mesmo ano, foi criada a “lei de eficiência
energética”, a qual estabeleceu níveis máximos de consumo de energia para equipamentos
fabricados no Brasil e para as edificações (Almeida, 2014). No ano de 2003, foi desenvolvido o
Programa Nacional de Eficiência Energética em Edificações, designado como PROCEL
EDIFICA. O objetivo desse programa, promovido pela Eletrobrás, maior empresa de geração e
de transmissão de energia elétrica do Brasil, é de promover o uso eficiente de energia elétrica a
partir da busca por redução de desperdícios e redução do consumo Procel Info (2006).

2.5.1 Avaliação do desempenho energético

Segundo a Procel Info (2006), as edificações consomem aproximadamente 45% do consumo de

energia elétrica no país. Desse modo, estima-se que há um potencial de redução de consumo de
até 50% em novas edificações e de 30% para as que, através de reabilitações, apliquem conceitos
de eficiência energética. Para isso, foi criado em 2010, e implementado a partir de 2012, o
Regulamento Técnico da Qualidade para o Nível de Eficiência Energética de Edificações
Residenciais (RTQ-R), o qual tem como objetivo a etiquetagem do nível de eficiência energética
de edificações residenciais autônomas, unifamiliares e multifamiliares (Brasil, 2012). Neste
trabalho serão analisadas as edificações residenciais unifamiliares.

Os critérios de classificação para a unidade habitacional (UH) unifalimiliar ocorrerá conforme os

requisitos da envoltória, pré-requisitos, sistema de bonificações. Quanto aos requisitos, o nível de
classificação deverá ser desde o mais eficiente A ao menos eficiente E (Quadro 2.11). Os métodos
para obter esses resultados podem ser o prescritivo e a simulação computacional.

O sistema de bonificação utilizado para classificar UH é basicamente uma pontuação concedida

a ações que aumentam a sua eficiência. Essas iniciativas podem chegar no máximo a um ponto
na classificação geral a partir da somatória do total de bonificações. As categorias de bonificação
são divididas em ventilação natural, iluminação natural, uso racional de água, condicionamento
artificial de ar, iluminação artificial, ventiladores de teto, refrigeradores, medição individualizada.

41
A pontuação de cada ação pode variar de zero a 0,10 pontos, como no caso da bonificação
referente a iluminação artificial, e até 0,40 pontos, como a iluminação natural (Brasil, 2012).

Quadro 2.11– Equivalente numérico para os níveis de eficiência (Adaptado de Brasil, 2012).

Nível de eficiência EqNum

A 5
B 4
C 3
D 2
E 1

Pré-requisitos para envoltória, ventilação e iluminação natural

Antes do início das avaliações de desempenho energético, devem ser analisados os pré-requisitos
definidos no documento RTQ-R (Brasil, 2012), os quais permitirão avaliar adequadamente a
transmitância térmica e a capacidade térmica, bem como a absortância solar das superfícies
(Quadro 2.12), ventilação natural e iluminação natural. Esses pré-requisitos devem ser aferidos
para ambos os métodos, e sua aplicação pode ser encontrada nos trabalhos de Morishita (2011),
Moreno (2013) e Triana (2016).

Os pré-requisitos da envoltória de uma UH, que é constituída por paredes externas e cobertura,
devem ser avaliadas em cada ambiente separadamente. Caso esses pré-requisitos não sejam
atendidos, atribui-se um nível C como avaliação máxima possível alcançada para resfriamento,
aquecimento e refrigeração (Brasil, 2012). O pré-requisito para áreas mínimas de abertura para
ventilação (Quadro 2.13) deve ser aplicado a todos os ambientes de permanência prolongada.
Assim como no caso do pré-requisito da envoltória, o não atendimento a esses critérios implicará
o máximo nível C (EqNum = 3) para o equivalente numérico da envoltória para ambiente resfriado
(EqNumEnvResf).

Quadro 2.12– Pré-requisitos para absortância solar, transmitância térmica e capacidade térmica para diferentes zonas
bioclimáticas (Adaptado de Brasil, 2012).

Zona Absortância solar Transmitância térmica Capacidade térmica

Componente
bioclimática (Adimensional) [W/(m2K)] [KJ/(m2K)]
Parede Sem exigência U ≤ 2.50 CT ≥ 130
ZB1 e ZB2
Cobertura Sem exigência U ≤ 2.30 Sem exigência
α ≤ 0,6 U ≤ 2.70 CT ≥ 130
Parede
α ≤ 0,6 U ≤ 2.50 CT ≥ 130
ZB3 a ZB6
α ≤ 0,6 U ≤ 2.30 Sem exigência
Cobertura
α ≤ 0,6 U ≤ 2.50 Sem exigência
α ≤ 0,6 U ≤ 3.70 CT ≥ 130
ZB7 Parede
α ≤ 0,6 U ≤ 2.50 CT ≥ 130

42
 α ≤ 0,4 U ≤ 2.30 Sem exigência
Cobertura
α ≤ 0,4 U ≤ 1.50 Sem exigência
α ≤ 0,6 U ≤ 3.70 Sem exigência
Parede
α ≤ 0,6 U ≤ 2.50 Sem exigência
ZB8
α ≤ 0,4 U ≤ 2.30 Sem exigência
Cobertura
α ≤ 0,4 U ≤ 1.50 Sem exigência

Por fim, o pré-requisito para iluminação natural consiste na garantia de uma ou mais aberturas de
um ambiente de permanência prolongada voltado para o exterior. O mínimo de 12.5 % da área
útil do ambiente deve corresponder à soma das áreas das aberturas para iluminação natural (Brasil,
2012). Caso esse pré-requisito não seja alcançado, a avaliação máxima possível será nível C
(EqNum = 3) para o equivalente numérico da envoltória para ambiente resfriado (EqNumEnvResf),
para aquecimento (EqNumEnvA) e para refrigeração (EqNumEnvRefrig).

Quadro 2.13– Percentual de áreas mínimas para ventilação e áreas úteis dos ambientes (Adaptado de Brasil, 2012).

Percentual de abertura para ventilação em relação à área de piso (A)

Ambiente
ZB 1 a 6 ZB7 ZB8
Ambientes de permanência
A ≥ 8% A ≥ 5% A ≥ 10%
prolongada

Método prescritivo

No método prescritivo, a avaliação do nível de eficiência de uma UH é composta por três

principais fatores: a eficiência da envoltória, do sistema de aquecimento de água e da bonificação
(Equação 2.3). O desempenho energético da envoltória é definido a partir do equivalente
numérico da envoltória (EqNumEnv) (Equação 2.3) e deve ser calculado através de equações de
regressão múltipla de acordo com a zona bioclimática na qual a UH estiver implantada. O sistema
de aquecimento de água refere-se à avaliação desse sistema instalado pelo construtor. A
bonificação, por sua vez, é dada para as iniciativas que contribuírem para o aumento da eficiência
energética, as quais deverão ser recompensadas com um ponto a mais na classificação geral da
UH. Essas bonificações podem ser aplicadas à ventilação natural, iluminação natural, uso racional
de água, condicionamento artificial de ar, iluminação artificial, ventiladores de teto instalados na
UH, refrigeradores instalados na UH e medição individualizada (Brasil, 2012).

Abaixo, segue a Equação 2.3, que permite avaliar o desempenho energético de uma UH:

PTUH = (a × EqNumEnv) + [(1 − a) × EqNumAA] + Bonificações (2.3)

Onde:

43
PTUH: pontuação total do nível de eficiência de unidade habitacional unifamiliar (Quadro 2.14);
a: coeficiente adotado a partir da região geográfica (Quadro 2.15);
EqNumEnv: equivalente numérico do desempenho térmico da envoltória da unidade habitacional a partir
de uma ventilação natural (Equações 2.4 e 2.5);
EqNumAA: equivalente numérico do sistema de aquecimento de água;
Bonificações: pontuações dadas a iniciativas que aumentem a eficiência da edificação.

Quadro 2.14– Equivalente numérico para os níveis de eficiência (Adaptado de Brasil, 2012).

Pontuação (PT) Nível de eficiência

PT ≥ 4.5 A
3.5 ≤ PT < 4.5 B
2.5 ≤ PT < 3.5 C
1.5 ≤ PT < 2.5 D
PT < 1.5 E

Quadro 2.15– Coeficiente da Equação 2.3 (Adaptado de Brasil, 2012).

Região geográfica
Coeficiente
Norte Nordeste Centro-oeste Sudeste Sul
a 0.95 0.90 0.65 0.65 0.65

O desempenho da envoltória deve ser calculado para a edificação, uma vez que esta encontra-se
ventilada naturalmente ou condicionada artificialmente, de acordo com Equação 2.4 (para as
zonas bioclimáticas 1 a 4) e Equação 2.5 (para as zonas bioclimáticas 5 a 8):

EqNumEnv = a x EqNumEnvResf + b x EqNumEnvA (2.4)

EqNumEnvRefrig = EqNumEnvA (2.5)
Onde,

a, b: Coeficientes adotados para zonas bioclimáticas ZB1 a ZB4 (Quadro 2.16);

EqNumEnvResf: Equivalente numérico para envoltória da UH para resfriamento;
EqNumEnvA: Equivalente numérico para envoltória da UH para aquecimento.

Quadro 2.16– Coeficientes da Equação 2.4 (Adaptado de Brasil, 2012).

Zona bioclimática (ZB)

Coeficiente
ZB1 ZB2 ZB3 ZB4
a 0.08 0.44 0.64 0.68
b 0.92 0.56 0.36 0.32

O indicador de graus-hora para resfriamento (GHR) é o obtido a partir da Equação 2.6 (exemplo
para a ZB1). O GHR será o indicador base desta investigação, na medida em que graus-hora de
aquecimento não é comum na região foco deste trabalho. A partir da Quadro 2.17, observa-se que
o melhor resultado encontra-se quando GHR necessário para manter o ambiente é igual ou menor
que 143. Para ZB7, por exemplo, a eficiência A poderá ser obtida uma vez que o GH R se encontra

44
igual ou menor que 12566 (Brasil, 2012), o que mostra a heterogeneidade territorial e diferenças
de climáticas presentes no Brasil. O cálculo do GHR através do método prescritivo é dado para
cada ZB e deve considerar um extenso número de variáveis, como a capacidade térmica da
cobertura, das paredes externas e internas, o fator de abertura para ventilação, a existência ou não
de isolamento nas paredes, a orientação das paredes em relação ao sol, o pé-direito dos ambientes
etc. (Brasil, 2012).

Quadro 2.17– Equivalente numérico para envoltória do ambiente para resfriamento (EqNumEnvAmbResf) para ZB1
(Adaptado de Brasil, 2012).

Eficiência EqNumEnvAmbResf Condição

A 5 GHR ≤ 143
B 4 143 < GHR ≤ 287
C 3 287 < GHR ≤ 430
D 2 430 < GHR ≤ 574
E 1 GHR > 574

Método de simulação

Uma maneira de verificar se determinado edifício será eficiente energeticamente ainda a nível de
projeto é através de ferramentas de simulação termodinâmica. A exemplo do EnergyPlus, que
será aplicado neste trabalho, esses softwares calculam as trocas térmicas entre a construção e o
meio no qual ela será implantada. Esses cálculos envolvem uma série de parâmetros, nos quais
incluem da temperatura interna e externa à edificação aos hábitos de consumo energética dos
moradores. Para que essa simulação ocorra adequadamente deve haver dados de entrada, como
os ficheiros climáticos do local analisado. Trata-se de ficheiros que contêm informações como
mês, dia e hora da medição, humidade relativa, densidade solar, direção dos ventos, temperatura
de bolbo seco, temperatura de ponto de orvalho, etc.

No método de simulação computacional, o qual será utilizado neste trabalho, deve-se modelar a
geometria da edificação para duas condições: edificação ventilada naturalmente e edificação
condicionada artificialmente. Quanto às especificações do programa que deverá ser utilizado para
a simulação, o RTQ-R requer que seja um programa que analise o consumo energético de
edifícios, que esteja de acordo com a ASHRAE Standard 140, que seja modelado para 8760 horas
por ano, que sejam considerados os padrões de ocupação da edificação, iluminação e taxas
metabólicas. Além disso, a rede de ventilação natural e sistemas de condicionamento artificial
devem ser definidos de forma separada, para cada dia da semana e feriados. Com isso, espera-se
que tenha capacidade de simular estratégias bioclimáticas adotadas nos projetos, que consiga
modelar efeitos de multi-zonas térmicas e que seja capaz de produzir relatórios de horários de
trocas de ar e infiltração, além de relatórios horários do uso final da energia (Brasil, 2012).

45
Para obter o EqNumEnvResf, o GHR deve ser calculado a partir da diferença entre a temperatura
horária e a temperatura base, uma vez que a primeira esta esteja acima da temperatura base
(Equação 2.6), como exemplificado na Figura 2.14.

GHR = ∑(𝑇𝑂 − 26𝑜𝐶) (2.6)

Quanto aos ficheiros climáticos utilizados para a simulação dinâmica, os requisitos mínimos
devem fornecer valores horários para parâmetros relevantes, como temperatura, humidade,
direção e velocidade dos ventos, e radiação solar. Os dados climáticos também devem ser capazes
de representar as zonas bioclimáticas no qual o projeto deverá ser implantado. Caso não seja
possível adquirir dados locais, é sugerido que dados climáticos das regiões mais próximas, e que
possuam características climáticas similares, sejam utilizados. Os ficheiros climáticos
recomendados são os disponibilizados no Departamento de Energia dos Estados Unidos
(www.eere.energy.gov) ou através dos ficheiros climáticos disponibilizados no sítio
www.procelinfo.com.br/etiquetagem_edificios, os quais encontram-se nos formatos TRY e TMY
(Brasil, 2012).

Figura 2.14 – Exemplificação de graus-hora de resfriamento (Adaptado de Sorgato, 2011).

2.5.2 Ficheiros climáticos, simulação das habitações e alterações do clima

A geração de ficheiros climáticos preditivos permite uma representação mais aproximada do

cenário no qual o edifício deverá relacionar-se. Esses possíveis cenários futuros referem-se ao
comportamento humano e à quantidade de gás de efeito estufa lançado na atmosfera e, portanto,
as alterações do clima em decorrência disso. Como se trata de uma entrada de dado fundamental

46
para a simulação termodinâmica, o grau de precisão com que esse ficheiro for desenvolvido está
diretamente ligado ao êxito da predição do modelo.

Os ficheiros climáticos preditivos, sobre os quais esta tese deverá concentrar-se, foram
desenvolvidos para a análise de desempenho futuro das construções diante do impacto das
alterações climáticas. Guan (2009) revisou os métodos utilizados para a criação desses dados,
dentre os quais destaca-se a abordagem morphing, apresentada pelo autor como um exemplo do
método denominado imposed offset. Essa abordagem foi desenvolvida por Belcher & Hacker
(2005) e combina a observação de dados climáticos atuais com as projeções do quão intensa será
a alteração do clima a partir de diferentes cenários de emissão de gases de efeito estufa. Esse
processo deve envolver as condições médias de clima em seus cenários futuros e preservar as
sequências no tempo que são realistas.

Uma aplicação da abordagem morphing apresenta a integração de cenários climáticos futuros do

Reino Unido nos formatos de ficheiros Typical Meteorological Year (TMY2) e EnergyPlus
Weather (EPW) (Jentsch et al., 2008; Jentsch, James, Bourikas, & Bahaj, 2013). Esses autores
utilizam como referência para previsões climáticas futuras os resultados do modelo HadCM3
(cenário A2) do terceiro relatório do IPCC, a partir dos quais foi criada a ferramenta denominada
Climate Change World Weather File Generator (CCWorldWeatherGen). Em outra aplicação
dessa abordagem, quatro anos climáticos foram utilizados: 1961-1990 para o “horizonte de 2020”
e 2041-2070 para o “horizonte de 2050” (Robert & Kummert, 2012). Foi gerada uma série de 50
anos, na qual cada ano é diferente do anterior, o que se mostrou útil para dados que necessitam
de maior detalhe nas variações anuais e, portanto, adequado para estratégias de eficiência
energética.

Observa-se que, cada vez mais, haverá menor demanda por energia para aquecimento e, em
contrapartida, haverá significativos aumentos por demanda energética para resfriamento nas
habitações em todo o mundo, como percebido em trabalhos na Austrália (Karimpour, Belusko,
Xing, Boland, & Bruno, 2015), na Itália (Pierangioli, Cellai, Ferrise, Trombi, & Bindi, 2014), na
Espanha (Pérez-andreu, Aparicio-fernández, Martínez-ibernón, & Vivancos, 2018) e no Brasil
(Alves et al., 2015; Invidiata & Ghisi, 2016; Maria Andrea Triana et al., 2018). Em algumas
cidades brasileiras (Curitiba, Florianópolis e Belém), os resultados apresentaram aumento de
demanda energética anual de 19%-65% nas três cidades em 2020, de 56%-102% em 2050 e
112%-185% em 2080. Foi identificada uma redução da demanda energética para aquecimento na
cidade mais fria de 94% em 2080 devido ao aumento da temperatura média e da radiação solar
global (Invidiata & Ghisi, 2016).

47
Para responder estrategicamente a essas mudanças, foram desenvolvidos projetos de estratégias
passivas, como sombreamento solar, baixa absortância e isolamento térmico, as quais puderam
reduzir o crescimento por demanda energética para resfriamento e aquecimento no Brasil em até
50% (Invidiata & Ghisi, 2016). Desse modo, a importância de ferramentas para a geração de
dados que permitam previsões de cenários futuros devem ser trabalhadas em conjunto com
estratégias de projetos que respondam eficientemente às novas necessidades das habitações.

2.5.3 Síntese

O aquecimento global exigirá mudanças de comportamento e, consequentemente, na forma de

habitar e de construir. No que concerne ao consumo de energia, o seu aumento deverá ser uma
resposta ao desconforto por meio de condicionamento artificial. Por essa razão, muitas das
edificações que não são adaptadas às condicionantes climáticas do sítio no qual estão inseridas,
como ocorre com a maior parte da habitação social, deverão passar por reformulações.

Entre os pontos verificados em normas brasileiras, como a NBR 15220 e a NBR 15575, considera-
se a abertura das habitações para aproveitamento de ventilação natural e iluminação natural. Além
disso, o sombreamento das aberturas e estratégias, como ventilação cruzada e vedações pesadas
em zonas bioclimáticas específicas do país, compõem parte de um repertório condicionamento
térmico passivo normatizado. De forma similar, deve-se considerar a tipologia da UH e as
condições da envoltória seja para unifamiliar ou multifamiliar e suas condições de sombreamento.
Propriedades termofísicas específicas, como absortância solar, transmitância térmica e
capacidade térmica de paredes e coberturas devem ser consideradas para a verificação da
influência desses parâmetros em diferentes zonas bioclimáticas brasileiras.

Por fim, ao considerar a simulação dinâmica como a mais adequada para este estudo, comparada
ao também normalizado método prescritivo, verifica-se a necessidade de obtenção de dados
climáticos, que compõem ficheiros utilizados em ferramenta como o Energy Plus. Abordagens
estatísticas permitem que esses ficheiros apresentem cenários probabilísticos futuros baseados em
estudos do IPCC. A partir desses dados, a simulação térmica e energética pode funcionar como
ferramenta para prevenir desconfortos e, consequentemente, uso abusivo de energia a partir de
arranjos possíveis para a UH e interação computacional com possíveis soluções para diferentes
cenários climáticos.

2.6 Habitação evolutiva

Historicamente, as habitações sociais ofertadas por programas brasileiros apresentaram baixa

48
qualidade construtiva, ambiental e arquitetónica (Reis & Lay, 2002), cujos parâmetros utilizados
para avaliá-los foram discutidos ao longo de todo este capítulo. Devido aos frequentes problemas,
moradores insatisfeitos costumam recorrer à autoconstrução para ampliações dos espaços, o que
prejudica a circulação e o conforto (Palermo et al., 2007).

O PMCMV ao comprometer-se em resolver o grande deficit habitacional brasileiro optou por

modelos de habitação pouco adaptados às necessidades de variadas composições familiares de
diferentes regiões do país (Kowaltowski, Muianga, et al., 2019). Em Fortaleza foram verificadas
patologias estruturais, má qualidade nos materiais utilizados em instalações hidráulicas, além de
falta de diversidade tipológica que atenda aos diferentes hábitos e composições familiares
(Pequeno & Rosa, 2015). Em São Paulo, estudos qualificaram alguns projetos arquitetónicos das
UHs como “ruim ou péssimo” (Lopes & Shimbo, 2015). Embora os projetos não pudessem ser
julgados como desenvolvidos deliberadamente, alguns pontos, como a geometria dos layouts, não
estavam adequados a uma conformação funcional dos espaços. Nesse caso, a insuficiência de área
não foi tão grave quanto a disposição geométrica equivocada (Lopes & Shimbo, 2015).

Não diferente dos trabalhos citados no parágrafo anterior, em Belo Horizonte estudos mostraram
que o PMCMV não respondeu à realidade das famílias no que diz respeito ao “tamanho e uso dos
espaço” e “tipo e número de moradores” (Nascimento et al., 2015). Como essa tipologia única do
programa parte de um padrão médio estipulado pelo IBGE, composto por pai, mãe e dois filhos,
a incompatibilidade com a variedade real fica clara quando, por exemplo, observam-se 25 tipos
de composição familiar de um empreendimento estudado (Nascimento et al., 2015). Por essa
razão, entre tantas exemplificadas nesta tese, conclui-se que tipologias flexíveis, adaptáveis ou
ampliáveis são imperativas para habitação social.

2.6.1 Conceitos de habitação evolutiva

Flexibilidade e adaptabilidade são peças chaves para habitação social evolutiva, as quais podem
ser definidas da seguinte forma:

▪ Flexibilidade: à flexibilidade espacial de uma construção pode ser atribuída a capacidade

de atender a diversos arranjos físicos possíveis (Groak, 2002). Segundo Schneider & Till
(2005), a flexibilidade da habitação deve ser definida como construção projetada para
mudanças ao longo de toda a sua vida útil, uma vez que se trata de uma resposta de projeto
aos desejos e exigências dos moradores. Para isso, deve-se considerar a importância da
motivação social e da viabilidade econômica e ambiental do projeto.

49
 ▪ Adaptabilidade: Groak (2002) define-a como a capacidade de atender a uma diversidade
de usos sociais. Hertzberger (2015), por sua vez, afirma não haver uma solução única
possível para uma adequada organização espacial, o que o aproximaria do conceito de
adaptabilidade de Groak. Contudo, trata-se de um conceito distinto, o da polivalência, a
qual deve permitir a diversificação dos usos sem que haja mudanças físicas. (Schneider
& Till, 2005) consideram adaptabilidade como somente um componente da flexibilidade.

No Brasil, a flexibilidade adquiriu abordagem evolutiva, ou ampliável, o que se justifica pela sua
histórica política habitacional de redução das áreas das moradias sociais e suas localizações
urbanas periféricas, uma vez que essas decisões tiveram como motivação a redução dos custos
das moradias para o aumento do lucro das construtoras (Costa, Logsdon, & Fabricio, 2018). Desse
modo:

▪ Habitação evolutiva é aquela que permite a expansão da moradia, isto é, uma

construção que acompanhe a dinâmica dos modos de uso ao longo do tempo
(Ludovico & Brandão, 2018).

Percebe-se, portanto, que esses autores aproximam conceitualmente a habitação evolutiva da

habitação flexível (diversidade de arranjos físicos) e da habitação adaptativa (diversidade de
usos), como encontrado em Groak (2002), e Schneider & Till (2005), o que corresponde à
abordagem aplicada neste trabalho.

Há diversos trabalhos nas últimas duas décadas cuja temática abrange habitação evolutiva e
habitação social no Brasil (Brandão, 2011b; Brandão & Heineck, 2003, 2008; Digiacomo, 2004;
Larcher, 2005; Marroquim & Barbirato, 2007; Palermo et al., 2007; Peña & Brandão, 2014) sendo
alguns deles com temas mais especificamente voltados ao PMCMV (Logsdon, 2019; M. S.
Martins, Romanini, Mussi, & Folle, 2013; Mussi, 2014). O que há de comum entre esses
trabalhos, além dos temas, é a motivação quanto à maioria das alterações ocorridas nas habitações
sociais brasileiras. Entre elas, pode-se atribuir parte da responsabilidade ao modo como foram
estruturadas as políticas habitacionais, nas quais o poder público e o privado compunham
interesses dissociados da realidade das famílias para as quais os programas atendiam. Sabe-se,
contudo, que não haveria necessidade de grandes alterações econômicas sobre os espaços para
que condições mais adequadas fossem alcançadas (Villa, Silva, Alexandre, & Silva, 2010).

2.6.2 Estratégias para habitação social evolutiva

50
Para o desenvolvimento do projeto de arquitetura é fundamental definir estratégias que auxiliem
o desenvolvimento da proposta. Soluções adequadas do ponto de vista dimensional, por exemplo,
podem ser estigmatizadas como caras, mas podem, a partir de um sistema de compensação, ser
consideradas viáveis economicamente. Como estratégia para lidar com a relação entre o tamanho
das áreas e custo decorrente dessas construções, foi dividido o processo de conceção de projeto
de habitação social flexível em sete etapas, as quais devem ser trabalhadas conjuntamente
(Digiacomo, 2004):

▪ Etapa da estrutura, espera-se que haja separação entre estrutura e compartimentação,

bem como a estrutura esteja preparada para receber outro pavimento e a possibilidade do
uso de escada;
▪ Etapa do arranjo espacial, espera-se que seja prevista a expansão da moradia;
▪ Etapa de cobertura, é feita a definição de altura da cumeeira do telhado permitindo que
uma ou mais águas sejam prolongadas sem o prejuízo do pé-direito do novo espaço;
▪ Etapa de instalações hidrossanitárias, deve-se dimensionar a tubulação de forma que
seja previsto o aumento da vazão e localizar as áreas molhadas de forma que não
necessitem ser demolidas para a ampliação dos espaços;
▪ Etapa de instalações elétricas, deve ser permitido o dimensionamento do circuito de
modo prever sua expansão;
▪ Etapa de divisórias internas, tornando possível que as divisórias sejam desmontadas e
móveis;
▪ Etapa do manual de instruções, são apresentadas possibilidades do uso e de layout para
ampliações.

Outra abordagem para o problema da habitação social evolutiva foi desenvolvida a partir da
análise de mais de 3000 plantas empreendimentos imobiliários de 50 cidades brasileiras, cujas
classificações são dadas da seguinte maneira (Brandão & Heineck, 2003):

▪ Diversidade tipológica: neste caso, há diversidade tipológica dentro de um mesmo

edifício, como diferentes plantas com distintas quantidades de dormitórios. Contudo, não
há alternativa de modificação do interior das unidades.
▪ Flexibilidade: na conceção da proposta já há a previsão de planta livre, o que possibilita
uma diversidade de arranjos possíveis. Normalmente para esses casos, a área molhada
deverá ser fixa e a área seca, separada e com maior liberdade de flexibilização.
▪ Adaptabilidade: neste caso, há a prevalência da conceção de neutralidade de uso, que
permite a polivalência funcional dos ambientes através de novas alternativas de uso.

51
 Assim, pode-se explorar utilização simultânea de funções ou alternada, sem que haja
necessidade de intervenções construtivas.
▪ Ampliabilidade: trata-se de um caso específico de habitação unifamiliar a partir da
conceção de casa mínima ou habitação-embrião. De acordo com os constrangimentos de
uso e ocupação do solo e seus recuos previstos, a adição de mais quartos é prevista (add-
on) de tal forma que a conformação final esteja de acordo com a prevista no projeto. Há
também possibilidades de maior espaço interno para o aproveitamento em etapas
posteriores (add-in). Por fim, há a “ampliabilidade alternativa”, que permite o
aproveitamento de uma peça de uma habitação a outra adjacente.
▪ Junção ou desmembramento: integram-se a este caso a união de unidades residenciais
de modo a formar uma maior. Por outro lado, o desmembramento ocorre quando uma
unidade é dividida em duas. O autor chama a atenção para a distinção entre
desmembramento e a “ampliabilidade alternativa”, uma vez que neste caso o apartamento
absorve somente uma parcela do outro adjacente.

São reconhecidas as limitações de generalização das suas estratégias para habitações sociais
evolutivas para diferentes partes do Brasil e o dilema sofrido por arquitetos, que consiste em
pensar um embrião que não deve parecer inacabado, tampouco as casas devem parecer fruto de
um improviso quando ampliadas (Brandão, 2011b). Por isso, sugere-se que as ampliações sejam
acompanhadas por técnicos que auxiliem na qualidade arquitetónica da construção.

De acordo com o trabalho de Logsdon (2019), que contém diretrizes formais para melhor
adaptabilidade e flexibilidade das habitações sociais no Brasil, observam-se soluções como
diversidade de usos e compatibilidade com arranjos familiares (Figura 2.15). A UH encontra-se
dividida em três opções (da esquerda para a direita): o primeiro e o segundo par de UHs
encontram-se compartimentados em um dormitório simples e três dormitórios. A diferença entre
o primeiro par de UHs e o segundo é o arranjo da compartimentação da opção de três dormitórios,
que no primeiro par privilegia a área comum e no segundo, os quartos. No terceiro par de UHs
encontram-se compartimentações para dois dormitórios e o outro, um dormitório.

O agrupamento de áreas molhadas nas plantas da Figura 2.16 utilizam-se dos mesmos arranjos
dos pares de UHs da Figura 2.15 para enfatizar o agrupamento das áreas molhadas, como a
cozinha e a casa de banho (destacados em amarelo). Na Figura 2.17 a sugestão para minimizar
estrutura a partir da redução de número de pilares e de manter a estrutura junto à fachada ou caixa
de escadas sempre que possível, além da disposição de vedações leves, auxiliam na flexibilização
dos cômodos em habitação social multifamiliar (Logsdon, 2019).

52
 Figura 2.15 – Diretriz para diversidade de uso e compatibilidade para arranjos familiares em habitação social
(Logsdon, 2019).

Figura 2.16 – Diretriz para agrupamento de área molhada em habitação social (Logsdon, 2019).

Figura 2.17 – Diretriz para minimização da estrutura e utilização de vedações leves para flexibilidade dos cômodos
em habitação social (Logsdon, 2019).

2.6.3 Gramática da forma na habitação social evolutiva

A gramática da forma foi desenvolvida na década de 1970 por Stiny e Gips (1972) como
metodologia tanto para análise quanto para geração de linguagem de projeto a partir da teoria da
gramática generativa de Chomsky. A partir do desenvolvimento de regras para adaptações da
teoria de Chomsky, a gramática da forma substituiu símbolos, como morfemas e palavras, por
símbolos gráficos, como o ponto e a linha (Vaz, Godoi, & Celani, 2011), e pode variar conforme
os seguintes tipos (Celani, Cypriano, Godoi, & Vaz, 2006):

▪ Gramática da forma analítica: em projeto arquitetónico consiste em reconhecimento

de padrões a partir de regras de composição, que permite a geração de novos exemplares
a partir da mesma linguagem. De acordo com a Figura 2.18 observa-se uma aplicação de

53
 um conjunto de 5 regras em polígonos de três, quatro e cinco lados de forma a identificar
padrões de janelas chinesas. Na regra 1 o polígono de três lados deve ser transformado
em um polígono de três lados e em outro de quatro lados. Na regra 2, o polígono de quatro
lados gerará dois polígonos de quatro lados. Essas regras são aplicadas em outros dois
polígonos de quatro (regra 3 e regra 5) e um de cinco lados (regra 4).
▪ Gramática paramétrica: a partir de implementações com valores deixados “em aberto”,
a gramática paramétrica permite uma variedade de possíveis resultados. Nesse caso, um
objeto paramétrico adquire sua forma na medida em que são atribuídos valores aos pontos
que o constituem de modo que os constrangimentos definidos nas regras de conceção
sejam satisfeitos, por exemplo.
▪ Gramática com marcadores: os marcadores são ferramentas que auxiliam no controle
da geração e da manipulação das formas, uma vez que é possível determinar caminhos
próprios de cada composição. A seguir (Figura 2.19)será apresentado um exemplo de
aplicação em habitação social em Canoas (Mussi, 2014).
▪ Gramática da cor: trata-se de uma variação da gramática que substitui os marcadores
por cores, o que torna o processo mais flexível devido a possibilidade de maior variedade
de cores.

Nos últimos anos, houve diversos estudos que utilizaram gramática da forma para registrar
evolução de habitações no Brasil (Dias, 2014; Mayer, 2012; Mendes, 2014; Mororó, 2012, 2015;
Mussi, 2011, 2014; Verniz, 2020). Esses registos ajudam a compreender padrões de crescimento
em diferentes locais do país, além de diversidade de tipologias, como encontradas em
assentamentos informais no Rio de Janeiro (Dias, 2014; Verniz, 2020) ou em Fortaleza (Mororó,
2012, 2015); e em habitação social em Canoas (Mussi, 2011, 2014), e em Porto Alegre (Mayer,
2012). Na maior parte dos casos estudados, a proposta de compreender o padrão da forma das
habitações auxiliam na criação de regras para modelos paramétricos que estejam de acordo com
a realidade socioeconômica do local.

54
 Figura 2.18 – Conjunto de regras aplicadas a polígonos encontrados em padrões de janelas chinesas (Celani et al.,
2006).

A representação de ampliação de habitação social ao longo dos tempos a partir da gramática da

forma com marcadores pode ser analisada a partir do exemplo da Figura 2.19 na qual três tipos
possíveis são apresentados. O TIPO A corresponde a uma habitação isolada, isto é, com recuos
laterais, frontal e de fundo. No TIPO B, não há um dos recuos laterais, enquanto o TIPO C há
somente recuo frontal e de fundo. No TIPO A, por haver todos os recuos, é possível a ampliação
em todos os lados da edificação, inclusive superior e nos fundos. Desse modo, o TIPO B reduz
uma das possibilidades de ampliação e o TIPO C, além das laterais, não permite a ampliação nos
fundos (Mussi, 2014).

Figura 2.19 – TIPO A, B e C: marcadores de localização e sentido de ampliação ou alteração a partir das áreas de
comprimentos (C) e de Largura (L) (Mussi, 2014).

Pode-se considerar que o embrião (E) de cada TIPO sofrerá transformações, como funções
existentes no embrião (união, extensão e translação com escala) ou acréscimo de exemplares com

55
mesma função ou nova função (acréscimo de compartimento com mesma função e acréscimo de
compartimentos com funções novas). Segue abaixo a descrição dos rótulos aplicados na Figura
2.20 (Mussi, 2014):

▪ Co’ ” é da operação de união, a qual indica que o compartimento mantém a localização,

mas expande-se, a unir-se a áreas de outros compartimentos vizinhos dentro do embrião;
▪ Co’ é operação de extensão, que indica que o compartimento com função existente
mantém sua localização ao passo que deve ampliar adjacente ao embrião;

A operação de translação com escala apresenta três variações, que podem ser descritas da seguinte
maneira:
▪ Co indica que o compartimento com função existente altera sua localização, onde passa
a localizar-se na adjacência do embrião;
▪ Co indica que o compartimento com função existente altera sua localização, além de
ampliar-se de forma isolada do embrião;
▪ Co” indica que o compartimento substitui a função original do outro compartimento os
quais as dimensões são maiores a partir da mudança de posição dentro do embrião.

Por fim, o rótulo Co+ e Con° indicam, respetivamente, acréscimo de compartimentos com nova e
mesma função, os quais podem ocorrer dentro da operação de translação com escala (Mussi,
2014). Uma vez que são reconhecidos os padrões de ampliação e de alteração é possível o
desenvolvimento da gramática paramétrica, assim como aplicadas nas Vilas de Palladio (Figura
2.21) (Stiny & Mitchell, 1978). Essas regras de composição criadas por Palladio foram
convertidas em gramática da forma para a geração de novas composições a partir dos princípios
encontradas nas vilas paladianas. Da mesma forma, embora não houvesse regras explícitas, os
padrões do arquiteto Álvaro Siza foram utilizados para customização de casas ao estilo das
habitações de Malagueira (Duarte, 2001). Após a geração dessas casas (Figura 2.22), o próprio
Siza reconheceu que seu estilo havia sido compreendido pela gramática (Duarte, 2005).

56
Figura 2.20 – Transformações dos compartimentos com funções existentes no embrião e acréscimo de compartimento
com mesma função e com função nova (Mussi, 2014).

Figura 2.21 – Regras de gramática da forma aplicadas a Vila Malcontenta de Palladio (Stiny & Mitchell, 1978).

57
Figura 2.22 – Quatro variações dos modelos tridimensionais das casas de quintal projetadas por Siza (Duarte, 2005).

2.6.4 Participação e autoconstrução em habitação social evolutiva

De acordo com o livro intitulado Participação e teoria da democracia são definidos diferentes
modelos de participação em processos de tomada de decisão democrática, que podem ser
classificados da seguinte maneira (Pateman, 2009):

▪ Pseudoparticipação: modelo no qual as pessoas são convidadas a participar do

processo de decisão, embora não tenham voz, uma vez que a decisão a ser tomada
sequer partiu da demanda popular;

▪ Participação parcial: embora neste caso as duas partes tenham o poder de

influenciar uma à outra, o poder final deverá recair sobre uma das partes;

▪ Participação plena: modelo que permite a participação no processo decisório, além

de cada indivíduo participante possuir o mesmo poder.

O processo de projeto de arquitetura em habitação social geralmente permite uma limitada

participação do cliente, ou do usuário, em tomadas de decisão nas diferentes etapas, o que reflete
uma assimetria de poderes justificada pela técnica. Trata-se de recomendações
predominantemente unilaterais, e em acordo com as expetativas do projetista, de como lidar com
o espaço. Na melhor das hipóteses, há uma participação parcial, na qual o utente é consultado e
aceita o resultado apresentado pelo projetista (MOM, 2019). No pior dos casos, quando sequer há
participação, é o que ocorre em grande parte dos casos de habitação social produzida no Brasil.

Do ponto de vista da execução da obra, a autoconstrução busca responder a necessidades que não
foram adequadamente resolvidas (Turner, 1977), como no caso do deficit habitacional brasileiro.

58
O mutirão, por sua vez, é uma particularidade de um processo de autoconstrução, e que trata da
mobilização de mão-de-obra gratuita, que visa trabalhar de maneira colaborativa, muitas vezes
entre familiares e amigos, a fim de contribuir com melhorias na comunidade. Contudo, devido à
ausência de projeto, a autoconstrução passa por problemas como (Balthazar, 2012):
▪ Baixo desempenho de iluminação e de conforto térmico;
▪ Imprevistos e incompatibilidades técnicas ao longo da construção;
▪ Imprevisibilidade da gestão do orçamento;
▪ Dificuldade de identificar etapas do processo construtivo e materiais que impactam o
custo total;
▪ Falta de clareza do orçamento quanto ao nivelamento do terreno, seja execução de arrimo,
seja construção escalonada;
▪ Desconhecimento quanto ao acréscimo de custo de um banheiro adicional.

Deve-se alertar também para que a romantização do processo de autoconstrução, enquanto

relações de solidariedade e amizade em uma relação de ajuda mútua entre amigos e vizinhos, não
escamoteiem uma realidade de um trabalho difícil, não remunerado, às custas de um tempo que
deveria ser de descanso do morador (Villaça, 1986). Por essa razão, as políticas urbanas devem
mitigar esse impacto não somente com a participação de projeto de arquitetura para uma adequada
coordenação do processo construtivo, mas também que sejam trabalhos devidamente
remunerados.

Participação e projeto

Os Autores, e as suas respetivas obras, como Alexander (1985), Friedman (1973), Habraken
(1999) e Ratti (2011) destacam-se na busca por incorporar a participação no processo de projeto
em arquitetura. Embora Alexander desenvolva a crítica à produção em massa, a participação em
sua obra restringe-se a personalização do edifício. A crítica apontada para o seu trabalho consiste
na limitação temporal, haja vista o arquiteto não produzir de modo a prever futuras mudanças (A.
P. B. dos Santos, 2009), como ocorre nas habitações evolutivas (ver tópico 2.5). Friedman, assim
como Alexander, buscou desenvolver uma resposta à construção em massa, a qual denominou de
Flatwriter (máquina de escrever apartamento), através da qual o utente poderia produzir seu
apartamento (Friedman, 1973).

O programa Flatwriter (Figura 2.23c) deve disponibilizar todas as soluções possíveis para um
determinado problema de arquitetura, designado de repertório. Na Figura 2.23a é proposta uma
infraestrutura participativa, na qual é possível que os utentes projetem e avaliem a infraestrutura
espacial. No circuito do projeto é possível obter dois tipos de feedback: a avaliação do

59
desempenho da proposta de cada indivíduo, e a influência desse resultado na de outros utentes,
além do impacto na cidade. Na Figura 2.23b é apresentado o mapeamento, isto é, grafos planares
que representam componentes e soluções de arquitetura, como a forma dos ambientes, suas
conexões e disposições de mobiliários.

Figura 2.23 – a processo participativo; b grafo com geração de estrutura espacial; c notação da Flatwriter (Friedman,
1973).

A partir de sistemas modulares foi criada uma proposta denominada de “suporte e recheio”
(Habraken, 1999), na qual a estrutura fixa (suporte) trata da infraestrutura, circulações e áreas
coletivas, e a parte flexível (recheio) desenvolve as dimensões e as posições de cada cômodo.
Ressalta-se que é alcançada uma parcial flexibilidade e um produto mais heterogéneo do que o
tradicional, o que já pode ser considerado uma grande evolução diante do que foi desenvolvido
até então. Habraken também promoveu o design aberto, que pode ser definido a partir de duas
maneiras: código aberto, o qual fornece fluxo livre de informação; e a construção aberta, que
fornece metodologia para o projeto. Com isso, o leigo e o profissional podem ter acesso ao mesmo
nível de informação em aspetos importantes para contribuições mútuas e tomadas de decisão mais
próxima da participação plena.

De acordo com a Figura 2.24 percebe-se que o suporte nasce de decisões coletivas, deve ser
composto por planos sobrepostos (lajes) suportados por pilares, e que permitem diversidades e
flexibilidades de uso. O recheio, por sua vez, é a liberdade dos moradores e escolha de como
ocupar a estrutura. Essa responsabilidade individual pode ser manifestada na locação de
divisórias, de esquadrias, de forros, de pisos, na disposição dos cômodos e das instalações. Por
outro lado, a responsabilidade coletiva, suporte, deve fornecer um sistema estrutural
independente, além de infraestrutura básica, como abastecimento de água, energia, esgotamento
sanitário, circulação, segurança.

60
 Figura 2.24 – Esquema de suporte e recheio (adaptado de MOM, 2004).

Ratti (2011) desenvolve a arquitetura de código aberto, e ao ser convidado a escrever para a revista
Domus acerca do tema, sugere que seja escrita em uma página de Wikipedia para que o processo
colaborativo construa o conhecimento. A publicação aberta e colaborativa defende a
personalização no lugar da padronização em massa. Além disso, cita o algoritmo como meio
através do qual ferramentas, que contenham princípios de design paramétrico, permitam que os
utentes deixem de ser somente consumidores para que participem do processo do conhecimento
e do compartilhamento de soluções de projeto a partir de códigos e scripts disponíveis em rede.

Destaca-se a tecnologia designada de Building Information Modeling (BIM), modelagem da

informação para a construção, como uma ferramenta paramétrica que propicia integração entre
diferentes colaboradores do projeto de forma simultânea. As ferramentas BIM, por trabalharem
com parametrização, permitem um protótipo digital que integra o processo de modelagem de toda
a documentação do projeto, como plantas, cortes, fachadas, modelo 3D e planilha de
quantitativos. ModRule, por exemplo, é uma ferramenta que utiliza a tecnologia BIM
desenvolvida com a finalidade de promover a colaboração entre arquitetos e futuros moradores
durante a etapa preliminar do projeto (Lo, Schnabel, & Gao, 2015).

ModRule é sistema que utiliza metodologia de gamificação, isto é, que possui interface que
permite a geração de um ambiente digital para a participação direta entre os indivíduos envolvidos
no processo (ou jogadores). Para isso, é utilizada uma abordagem designada de bottom-up
(também conhecido como emergente ou de baixo para cima), que é centrado no utente (jogador).
Uma abordagem complementar, designada de top-down (de cima barra baixo), deverá ser centrada
no arquiteto (criador do jogo). A integração entre essas abordagens (bottom-up e top-down) visa
preencher uma lacuna entre moradores e arquitetos no processo de projeto de modo a fornecer
aos projetistas uma maior noção de como oferecer às pessoas maior controle sobre o espaço da
morada (Lo et al., 2015).

61
Participação e autoconstrução

No Brasil, os benefícios da autoconstrução para a comunidade está na redução dos custos do

empreendimento, na melhoria da qualidade das unidades habitacionais e do conjunto, na maior
identificação do morador com o resultado do seu trabalho, o que gera uma maior relação e,
portanto, manutenção e uso adequado (Abiko & Albieri, 1996). Na gestão do processo
construtivo, os mutirões podem ser divididos em três tipos básicos (Cardoso & Abiko, 1994):

1. Mutirão por gestão institucional ou administração direta, no qual o agente público

está por trás da criação do projeto, além de fornecer equipe de técnicos, e administra os
recursos envolvidos no processo;
2. Mutirão por co-gestão, no qual o agente público repassa recursos para a comunidade, as
quais enquanto organizadas como associação, contratam escritórios para assessorá-las
(denominados de Assessoria Técnica) tanto na administração dos recursos como também
na direção técnica das obras;
3. Mutirão por autogestão, no qual a comunidade, enquanto associação, é responsável pela
administração e gestão dos recursos.

Os mutirões habitacionais brasileiros tiveram implantação nos anos de 1970 a partir do programa
de financiamento como o Programa de financiamento de lotes urbanizados (Profilurb), no qual os
mutirantes (como é designado aquele que participa dos mutirões) contribuíram somente com a
mão-de-obra (Cardoso & Abiko, 1994). A segunda fase dos mutirões no Brasil, entre 1982 e 1989,
na qual, devido a crises econômicas e pressão de movimentos populares, foram implantadas
políticas públicas nas esferas federais, estaduais e municipais. Trata-se de um período cuja
institucionalização do mutirão é iminente (Abiko & Coelho, 2004). Por fim, a terceira fase tem
como exemplo o projeto em São Paulo a partir de recursos do Fundo de Atendimento a População
Moradora em Habitações Subnormais (Funaps).

Dessa terceira fase de experiência destacam-se os seguintes pontos (Abiko & Coelho, 2004):

▪ Contratação de escritórios para assessorias técnicas, como arquitetos e engenheiros, os

quais contribuem para melhorias dos projetos habitacionais e da organização do trabalho
dentro das comunidades;

▪ Utilização de mão-de-obra especializada para apoiar o trabalho dos mutirantes, o que

promove uma maior produtividade nos canteiros de obra. Isso é fundamental, uma vez

62
 que os mutirantes encontram-se em regime de sobretrabalho, isto é, trabalham em seus
tempos livres ou de lazer.

Quanto aos escritórios contratados para acessória técnica, há no Brasil a Lei de Assistência
Técnica para Habitação de Interesse Social (ATHIS), lei 11.888 do ano de 2018. Essa lei destina
2 % do orçamento do Conselho de Arquitetura e Urbanismo do Brasil para fomentar a ATHIS,
que consolida um debate no Brasil desde 1960 (Medvedovski, Dos Santos, & Santiago, 2019).
Essa lei deve assegurar a famílias de baixa renda assistência técnica pública e gratuita para o
desenvolvimento de projetos e para a construção das habitações de interesse social. Esse serviço
poderá ser feito por arquitetos, urbanistas e engenheiros enquanto servidores públicos, integrantes
de equipes de organizações não governamentais sem fins lucrativos, profissionais inscritos em
residência acadêmica, ou de programas de extensão universitária e escritórios modelos, além de
profissionais autónomos ou integrantes de equipes de pessoas jurídicas selecionados e contratados
por órgãos públicos brasileiros (Brasil, 2008).

Formada com o propósito de levar a ATHIS para comunidades de diferentes cidades brasileiras,
a USINA desenvolve a conceção e execução de projetos de habitação social, além de planos
urbanísticos, projetos de urbanização de favelas e formação de cooperativas de trabalho. Em seu
conceito, o grupo pauta-se em autoconstrução coletiva, cuja diluição da hierarquia entre os
profissionais que participam e a “atenuação da divisão entre trabalho intelectual e manual”
permite produção mais digna do espaço habitado (Ferro, 2004).

Um exemplo de atuação do coletivo USINA, que conta com a participação popular no processo
de projeto e execução em habitação social, é o Reassentamento da Comunidade do Piquiá de
Baixo. Trata-se de uma comunidade que foi reassentada devido aos impactos da implantação de
indústria de minério de ferro no Maranhão, região Norte do Brasil. Para o desenvolvimento do
novo bairro para a comunidade foram aplicadas estratégias participativas para a elaboração do
projeto das habitações.

Como resultado, foram criadas tipologias variadas, incluindo infraestrutura e serviços que
respondessem às necessidades dos moradores (Filho et al., 2015). Na implantação (Figura 2.25),
o arranjo dos lotes busca seguir o hábito dos moradores, o qual é traduzido por encontros entre
vizinhos sob arborização frondosa ao fim do dia ou em fim-de-semana. Desse modo os lotes
ficaram configurados em pequenos núcleos com pequena praça a cada 26 casas. Observa-se
também que o desenho dos lotes e seus arranjos permitem o compartilhamento dos fundos entre
integrantes da mesma família ou amigos, o que configura um espaço semipúblico (Baratto, 2015).

63
 Figura 2.25 – Tipologias desenvolvidas para o reassentamento da Comunidade do Piquiá (Adaptado de Baratto,
2015).

Buscou-se neste trabalho uma maneira alternativa de pensar a produção do espaço habitacional,
no qual o objetivo consistiu na integração dos moradores com a cidade, ao contrário do que
frequentemente ocorre em habitação social no Brasil (Baratto, 2015).

2.6.5 Síntese

A habitação social evolutiva utiliza-se de estratégias de flexibilidade que consideram a separação

entre estrutura e compartimentação, previsão de expansão da morada, dimensionamento de
instalações hidráulicas e elétricas, considerando as possíveis expansões, divisórias desmontáveis
e / ou móveis. De forma complementar, estratégias evolutivas exigem diversidade tipológica,
planta livre e polivalência funcional. Todas essas estratégias devem também considerar o
mobiliário como peça chave para que a diversidade de arranjos seja incorporada ao projeto.

Como síntese de questões para a avaliação da flexibilidade da habitação social (Quadro 2.18), foi
criado um checklist a partir de 13 perguntas adaptadas de diferentes autores (Brandão & Heineck,
2003; Digiacomo, 2004; Logsdon, 2019). Entre essas questões tem-se a polivalência de usos dos
ambientes, a relação entre ambientes secos e molhados, a independência entre estrutura e vedação,
a previsão de ampliações, a padronização de esquadrias e a existência de manual para instrução
do usuário. Essas questões podem ser utilizadas como guias para a avaliação do grau de
flexibilidade de uma habitação. Caso um projetista leve em considerações todas essas questões,
espera-se que se trate de um projeto com um alto grau de flexibilidade.

64
Quadro 2.18– Avaliação da flexibilidade de uma habitação social (Adaptado de Logsdon, 2019; Digiacomo, 2004 e
Brandão, 2003).

ID Questões
1 As áreas molhadas foram agrupadas?
2 Existe polivalência de uso de ambiente?
3 Há mais de uma possibilidade de disposição de ambientes secos?
4 A estrutura é independente da vedação?
5 Há previsão para futuras ampliações?
6 O sentido da expansão da unidade habitacional é indicado no projeto?
7 A ampliação permite que as águas do telhado sejam prolongadas sem prejuízo do pé-direito?
8 A ampliação prevê dormitórios ou local de trabalho?
9 A ampliação prevê garagem ou varanda?
10 A ampliação prevê aberturas de janelas de todos os ambientes para o exterior?

A ampliação prevê dimensionamento de circuito e vazão para a ampliação das instalações

11
hidráulicas e elétricas?

12 A ampliação necessitará de alterar as posições originais das esquadrias?

13 Há manual para instruir o usuário?

Ferramentas como a gramática da forma foram utilizadas por muitos trabalhos que pretenderam
compreender e registar padrões de crescimento de habitação social no Brasil. A maior parte desses
estudos considerou a criação de regras capazes de reproduzir o crescimento de UH de diferentes
cidades do Brasil de acordo com suas realidades sociais e económicas. Outra maneira de trabalhar
com a habitação social evolutiva envolve participação dos moradores no processo de projeto. A
literatura apresenta a busca de diferentes autores pelo maior grau de participação do morador em
tomadas de decisão (seja no projeto, seja na obra), o que facilita a previsibilidade de crescimento,
além de ter seus requisitos explícitos ao longo de todo o processo.

2.7 Integração do uso de inteligência artificial no processo de projeto arquitetónico

O projeto de arquitetura é composto por processos criativos que não podem ser descritos em
termos matemáticos (Dodge, Xu, & Stenger, 2017; Zawidzki & Szklarski, 2020). Esse aspeto
subjetivo torna-se um obstáculo para a automação ou processo de otimização, que permita integrar
diferentes áreas do conhecimento, como desempenho térmico, energético, ou mesmo regras
espaciais e construtivas para habitação evolutiva. Assim, investigadores buscaram o
desenvolvimento de modelos heurísticos, nos quais a solução de projeto resulta de interação entre
os requisitos de projeto e os constrangimentos físicos da construção (Zawidzki, Tateyama, &
Nishikawa, 2011). No entanto, essa abordagem requer do utilizador requisitos muito específicos
de projeto e experiência na escolha de parâmetros algorítmicos adequados para produzir soluções
viáveis (Chugh, Sindhya, Hakanen, & Miettinen, 2019).

65
Em contraste com esses métodos generativos tradicionais, o método de redes neurais profundas
descobre padrões implícitos a partir do treinamento de dados (Hu et al., 2020). Uma vez que o
modelo aprende a distribuição de probabilidades, o método é capaz de sintetizar novos exemplos
com alto grau de realismo (Z. Wang, She, & Ward, 2019). Além disso, aprendizado profundo é
uma eficiente abordagem supervisionada em relação ao custo e ao tempo, identificado a partir de
crescente taxa de acurácia em diferentes áreas tecnológicas (Dargan, Kumar, Ayyagari, & Kumar,
2020). Em projeto da construção podem ser encontradas várias aplicações, como deteção de
objetos em planta (Ziran & Marinai, 2018), segmentação de ambientes internos (Zhu et al., 2020),
e classificação do interior da construção (Afif, Ayachi, Said, Pissaloux, & Atri, 2020). Além disso,
aplicações em projetos de ambientes interiores (A Radford, Metz, & Chintala, 2016), layout de
fachada (Schmitz & Mayer, 2016), e arranjo de plantas arquitetónicas (Rahbar, Mahdavinejad,
Bemanian, Davaie Markazi, & Hovestadt, 2019).

2.7.1 Processos metodológicos

Projeto pode ser definido como um esforço por um intervalo de tempo necessário para criar
produto, serviço ou resultado ímpar (PMI, 2017). Esse esforço implica o desdobramento de
atividades que conjuntamente deverão cumprir, a partir de entregas, objetivos de um serviço a ser
realizado, por exemplo. Essas entregas, por sua vez, são os resultados das atividades que precisam
ser verificáveis e que concluem um processo, fase ou projeto (PMI, 2017). Outra característica
fundamental de um projeto é que ele deve cumprir requisitos de regulamentos, das leis ou mesmo
impostos pela sociedade. Além disso, deve atender a pedidos ou necessidades das partes
interessadas.

Em arquitetura, os requisitos regulatórios e legais somados à necessidade do cliente e/ou utente

constituem o contexto de iniciação do projeto. Processos de investigação são necessários para
compreender esses requisitos e necessidades. Essa busca deve estender-se na medida em que o
lugar de inserção do projeto também deve ser considerado. Assim, informações acerca dos aspetos
físicos do sítio, – como topografia, características do solo, cobertura vegetal, padrões de
ventilação e de insolação, visuais possíveis a partir do terreno – devem ser combinadas com
estudos do contexto e da infraestrutura urbana. Toda essa etapa para o arquiteto é um processo
analítico necessário para a criação.

De maneira complementar, de acordo com o modelo Marver de processo de projeto de arquitetura

(Cross & Roozenburg, 1992), esse processo deve vir seguido de outras etapas, como a síntese, a
avaliação e a tomada de decisão (Figura 2.26). Assim, um projeto de arquitetura nasce de uma
análise do problema, de modo a permitir que uma síntese, a resposta às questões analisadas, possa

66
emergir. Em seguida essa síntese deve ser avaliada de acordo com critérios de validação
estabelecidos em cada etapa do projeto, como a etapa de esboço das propostas, de projeto
esquemático, de projeto detalhado e da informação da produção. Caso o resultado da avaliação
em uma das etapas não seja satisfatório, será necessário retornar à síntese e buscar respostas que
atendam aos requisitos do projeto. Por outro lado, se a avaliação for positiva, a decisão será
tomada e a fase seguinte poderá iniciar.

Figura 2.26 – Modelo de Marver para processo de projeto de arquitetura (Adaptado de Cross & Roozenburg, 1992).

Segundo o arquiteto Álvaro Siza, seus primeiros esboços ocorrem até mesmo antes de visitar o
local. Isso se dá porque ele busca a “ideia” do projeto por vezes a partir de uma foto do lugar.
Contudo, o arquiteto admite que esses esboços na maioria dos casos são inúteis, embora
necessários para a construção da “ideia” a partir de um processo intuitivo. Assim, à medida que
as informações do projeto são consideradas, “algo real começa a emergir” (Belogolovsky, 2017).
Acerca da intuição como elemento a ser considerado no projeto, o arquiteto Rafael Moneo ratifica
que há momentos em que a intuição tem que ser aceita, sobretudo no ponto de partida (Carvalho,
Faria, & Martins, 2011). Numa perspetiva psicológica, a intuição é uma propriedade da perceção,
que tem a capacidade de captar a interação que ocorre em um determinado campo (Arnheim,
1989). Por outro lado, a intuição, segundo o arquiteto Souto de Moura, não é suficiente para
chegar-se a um bom resultado, pois a arquitetura e engenharia devem ter em seu ponto de partida
o material e o sistema construtivo adequado (Carvalho, Faria, Martins, & Sá, 2009).

67
Percebe-se, portanto, que metodologia de projeto e processo criativo variam entre arquitetos e que
podem ser, parte deles, resumidos em alguns pontos (Kowaltovski et al., 2006):

▪ Analogias antropométricas, adotam o corpo humano como parâmetros do projeto, além

dos limites dimensionais;
▪ Analogias literais, utilizam-se da natureza como inspirações formais;
▪ Relações ambientais, utilizam-se de embasamentos científicos, além de relações
empíricas entre homem e natureza, como o clima, a tecnologia e os recursos disponíveis;
▪ Tipologias, baseiam-se em construções anteriores e problemas já enfrentados, resolvidos
por tipos de construção, de organização e de protótipos;
▪ Linguagens formais, buscam nos estilos de escolas de arquitetura a linguagem adotada
na forma do projeto.

As metodologias de projeto, embora parte delas contem com a intuição no processo de criação,
são uma racionalização das etapas criativas a fim de apoiar o projetista em suas tomadas de
decisão. Para que a concretização da ideia seja possível, são necessárias as ferramentas, as quais
auxiliam o projetista a encontrar a forma a partir da técnica, como esquiços, maquetes ou desenho
assistido por computador.

A partir do período do Renascimento, a rutura entre o desenho e o canteiro de obras abriu um

novo campo científico de codificação e representação na arquitetura inaugurado com a perspetiva
desenvolvida por Brunelleschi e incrementado por muitos estudos posteriores (Arantes, 2012). O
desenho para o arquiteto contemporâneo é utilizado como um meio de organizar suas ideias,
recursos, espaço, além de ser uma ferramenta para prever resultados do projeto (Tedeschi, 2014).
Siza considera como um instrumento de comunicação, insubstituível, além de relação imediata
entre a criatividade da mente e a mão (Carvalho, Faria, & Martins, 2010).

O desenho rigoroso a partir da prancheta era seguido pelos instrumentos de precisão, como a
régua, os esquadros, o compasso e o escalímetro, o qual funciona como conversor de escalas,
sobretudo para a redução da escala real para a escala do desenho em papel. O papel vegetal, a
partir de sua transparência, devia ser sobreposto ao desenho, que já houvera passado por tentativas
e erros até alcançar o resultado desejado. O processo de redesenho era comum e poderia ter seus
passos iniciais em folhas mais ásperas e simples, com o auxílio de um lápis para, então, passar
pela formatação final com acabamento feito com diferentes espessuras de linha para representar
diferentes elementos, como vistas, cortes e projeções. O traço da caneta deveria ser desenvolvido
na perpendicular com pressão homogênea sobre o papel para evitar irregularidades. Embora todo
o processo do desenho técnico tenha evoluído bastante ao longo dos anos, problemas como erros

68
no desenho ou necessidade de cópias do projeto tornaram-no praticamente obsoleto diante das
facilidades do projeto assistido por computador.

Desde os anos de 1960 com a criação do programa Sketchpad (Sutherland, 1964) e com a
comercialização dos primeiros softwares designados de Computer Aided Design (CAD), ou
projeto auxiliado por computador, as ferramentas digitais passam aos poucos a compor etapas do
processo de projeto em arquitetura. Contudo, essas ferramentas inicialmente apresentaram-se
como pranchetas digitais, isto é, baseavam-se em produção de desenhos os quais não possuíam
relação entre si. Por exemplo, plantas e cortes eram desenvolvidos sem que metodologicamente
houvesse qualquer diferença entre o desenho CAD e o desenvolvido em prancheta. Além disso,
o movimento do mouse do computador simula o movimento das mãos no ambiente digital
(Tedeschi, 2014). Dessa forma, o computador não apresenta tão rapidamente essa rutura com o
método tradicional de projeto herdado do Renascimento.

Após a primeira geração CAD, as maiores mudanças sofridas pelas ferramentas de projeto podem
ser divididas a partir da seguinte sequência (Oxman, 2006):

▪ Modelos CAD: Além do já citado padrão de desenho fornecido pela ferramenta CAD,
também designado de CAD descritivo, há o CAD prescritivo, no qual alguns processos
analíticos foram integrados e automatizados, o que levou a uma evolução para além do
desenho geométrico. Esses processos analíticos foram normalmente associados à
estimativa de custos, ao comportamento estrutural, ao desempenho ambiental etc. Essas
características são encontradas em tecnologias hoje conhecidas como BIM cujas bases
foram formuladas em 1975 (Eastman, 1975) e aperfeiçoadas nos primeiros softwares a
partir dos anos 1980.
▪ Formação de modelos digitais: Nesse processo busca-se romper com o método
tradicional do desenho em conceção de projeto. Uma das características que destaca a
formação de modelos digitais é a utilização da topologia e da geometria não euclidiana
nos modelos de formação topológica, que passou a ter maior relevância a partir da
segunda metade da década de 1990. Assim, a topologia trabalha com a relação entre os
objetos, em vez de sua geometria. Há também modelos de formação associativa, baseado
em técnicas de design paramétrico, no qual se pode definir e modificar associações entre
objetos a partir de expressões matemáticas. A principal característica desse modelo é que
sua aplicação é descritiva, isto é, somente a nível de representação. Isso significa que não
são abordados os aspetos de avaliação, como observado no modelo CAD prescritivo.
▪ Modelos generativos: esses modelos devem interagir com um complexo mecanismo de
emergência da forma, a qual derivará de regras de geração, relações e princípios. Dois

69
 principais exemplos é o da gramática da forma, desenvolvido a partir dos anos de 1980 e
algoritmos evolutivos, os quais deverão ser mais bem detalhados a seguir.
▪ Modelos de desempenho: trata-se de modelos que podem ajustar-se aos modelos de
formação e aos generativos, uma vez que pode ser pensado como um processo de
formação direcionado para desempenho. Outra possibilidade seria pensar que são
modelos para geração da forma dirigida ao desempenho.

2.7.2 Modelos de desempenho: algoritmos evolutivos e projeto de arquitetura

Otimização é uma ação de busca por um melhor resultado para um determinado problema. Em
problemas do campo da engenharia, essa ação deverá buscar minimizar o esforço ou maximizar
os ganhos (Rao, 2009). No entanto, os problemas da vida real, como economia, negócios ou
mesmo otimização de componentes construtivos da construção, não podem ser resolvidos de
forma categórica e precisa dentro de um intervalo de tempo considerado razoável. Por essa razão,
em muitos casos, são adotados os “algoritmos aproximados”, os quais apresentam-se como uma
das melhores alternativas para essa classe de problemas (Talbi, 2009). A meta-heurística, assim
denominada por Glover (1986), consiste em algoritmos de autoaprendizagem que possibilitam a
busca de soluções quase ótimas para problemas difíceis.

Na Figura 2.27 é possível verificar que o método de otimização pode ser dividido em métodos
exatos e métodos aproximados. Enquanto os métodos exatos buscam a melhor solução possível
para um determinado problema, os métodos aproximados, como o heurístico, buscam o
satisfatório, embora não necessariamente a melhor resposta para o problema. Normalmente
inspirados em paradigmas da natureza, mas também em algoritmos probabilísticos ou
estocásticos, os algoritmos meta-heurísticos podem ser divididos em algoritmos baseados em
soluções simples e baseados em população (Talbi, 2009), os quais serão detalhados mais afrente
a partir de algoritmos evolutivos.

70
 Figura 2.27 – Classificações dos algoritmos de otimização: dos métodos aproximados aos algoritmos evolutivos
(Adaptado de Talbi, 2009).

Em uma revisão bibliográfica acerca de métodos de otimização de eficiência energética aplicado

à geometria e à envoltória da construção, Kheiri (2018) relaciona os principais algoritmos de
otimização desde o ano 1955 ao 2017. Nesse estudo, entre os métodos de otimização mais citados
destaca-se o algoritmo genético (AG) (Holland, 1992), o qual possui um mecanismo de busca
probabilística de soluções baseado na Teoria da Evolução de Charles Darwin. O AG também
pode ser classificado como algoritmo meta-heurístico, assim como algoritmo evolutivo, o qual é
composto pelos algoritmos de estratégias evolutivas e de programação evolutiva (Mitchell, 1998).

Um comportamento simplificado do algoritmo genético, com um objetivo simples, pode ser

exemplificado na Figura 2.28. Começa-se pela geração aleatória de uma população inicial. A
população, por definição, é um conjunto de indivíduos que foram gerados aleatoriamente, isto é,
conjunto de possíveis soluções para um dado problema (Martino, 2015). Assim como na seleção
natural, a avaliação dos melhores indivíduos deverá ocorrer. Desse modo, os indivíduos melhor
avaliados deverão reproduzir-se e, durante a geração de uma nova população, será feito o
cruzamento dos genes dos pais para que o novo indivíduo herde características de cada um dos
seus progenitores.

71
 Figura 2.28 – Diagrama de fluxos de um algoritmo genético.

Assim como o crossover, a mutação é um operador genético que permite a variabilidade dos
indivíduos da geração seguinte. Isso ocorre a partir da alteração aleatória das características
genéticas dos indivíduos da nova geração, o que propicia a emergência do design de soluções de
alta qualidade, a qual permite a adaptação de soluções a um ambiente de mudanças (Mitchell,
1998). Após essa etapa, os indivíduos da nova geração são avaliados. Caso o objetivo de
otimização seja alcançado (função objetivo), conclui-se o processo. Caso contrário, uma nova
população deverá ser criada a partir das características dos pais, que deverão ser escolhidos entre
os melhores. O processo se repetirá até que o objetivo seja alcançado ou qualquer outro critério
de parada seja alcançado, como, por exemplo, o tempo de busca.

Em aplicações práticas de algoritmos de otimização, Nguyen, Reiter, & Rigo (2014), a partir de
uma revisão bibliográfica, elaboram as principais tarefas desenvolvidas nas três fases de
otimização para análise de desempenho da construção: pré-processo, processo de otimização e
pós-processo Quadro 2.19.

Quadro 2.19 – Fases e principais tarefas para a formulação de um problema de otimização. Adaptado de Nguyen,
Reiter e Rigo (2014).

Fase Principais tarefas

1.1 Formulação do problema de otimização
1.2 Construir o modelo computacional
1.3 Ajustar funções objetivo e constrangimentos
1. Pré-processo 1.4 Configurar e selecionar variáveis independentes e constrangimentos
1.5 Selecionar o algoritmo de otimização apropriado para o problema proposto
1.6 Integrar o algoritmo de otimização com o programa de simulação da
construção

72
 1.7 Através da análise de sensibilidade, selecionar as variáveis mais influentes.
Assim, aumentará a eficiência do processo de simulação
2.1 Monitorar convergências
2. Otimização
2.2 Controlar critérios de conclusão do processo, detetar erros ou falhas
3.1 Interpretar os resultados de otimização
3. Pós-processo
3.2 Executar e apresentar o resultado do desempenho da análise de sensibilidade

Para a formulação do problema de otimização, sobretudo na fase de pré-processo, é fundamental

a compreensão de como os algoritmos de otimização devem ser classificados para que as melhores
decisões sejam tomadas quanto às principais características das variáveis, dos objetivos, dos
constrangimentos, e dos algoritmos (Nguyen et al., 2014):

▪ Número de variáveis do projeto: o problema de otimização poderá ser classificado

como unidimensional ou multidimensional, uma vez que isso dependerá do número de
variáveis consideradas no estudo;

▪ Natureza das variáveis do projeto: as variáveis podem ser independentes ou

mutuamente dependentes;

▪ Tipos de variáveis do projeto: as variáveis podem ser contínuas, isto é, aceitam

intervalos de valores reais, ou discretas, as quais aceitam somente valores inteiros, ou
ambos;

▪ Número de funções objetivo: o problema de otimização pode ser classificado como de

objetivo simples ou multiobjectivo a depender do número de funções envolvidas no
problema. Em problemas reais é comum encontrar mais de um objetivo;

▪ Natureza da função objetivo: há diferentes técnicas de otimização, a depender se a

função objetivo é linear, não-linear; convexo, não-convexo; uni-modal, multimodal;
contínuo, descontínuo; computacionalmente dispendioso; de baixo custo.

▪ Presença de constrangimentos: o problema de otimização pode ser do tipo constrangido

ou não-constrangido. A presença de constrangimentos restringe o problema a um
conjunto de soluções viáveis em um amplo espaço de busca.

▪ Domínio do problema: a otimização multidisciplinar, que une métodos de otimização a

modelos matemáticos de diferentes áreas, apresenta desafios mais complexos do que
otimização de domínio único.

73
Para a formulação de um problema de otimização, pode-se destacar a importância do número de
funções objetivo contidas no modelo. De acordo com Ringuest (1992), essa diferença pode ser
compreendida primeiramente pelo problema de otimização simples 𝑓(𝑥), o qual é descrito como:
▪ 𝑓(𝑥1 , 𝑥2 , … , 𝑥𝑛 )
▪ 𝑔𝑖 (𝑥1 , 𝑥2 , … , 𝑥𝑛 );
▪ 𝑥𝑗 ≥ 0;
▪ 𝑖 = 1, 2, … , 𝑚;
▪ 𝑗 = 1, 2, … , 𝑛
Onde há m variáveis de decisão, 𝑥𝑗 , e m constrangimentos 𝑔𝑖 (𝑥).

Por outro lado, os problemas de otimização multiobjectivo podem ser representados por k funções
objetivo, onde m constrangimentos aos parâmetros e n constrangimentos aos objetivos podem ser
equacionados da seguinte forma (minimização):

▪ 𝑦 = 𝑓(𝑥) = {𝑓1 (𝑥), 𝑓2 (𝑥), … , 𝑓𝑘 (𝑥)},

▪ 𝑔(𝑥) = {𝑔1 (𝑥), 𝑔2 (𝑥), … , 𝑔𝑚 (𝑥)} 0e

▪ ℎ(𝑥) = {ℎ1 (𝑥), ℎ2 (𝑥), … , ℎ𝑛 (𝑥)} = 0,
Onde
▪ 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑛 ) ∈ 𝑋 𝑛
▪ 𝑦 = (𝑦1 , 𝑦2 , … , 𝑦𝑘 ) ∈ 𝑌 𝑘

O qual o x vetor de variáveis de decisão, o 𝑦 é o vetor de objetivos, o 𝑋 é o espaço de decisão (n dimensões),

o 𝑌 é o espaço de objetivos (k dimensões), 𝑔(𝑥)  0 determinam o domínio 𝑋𝑓 de soluções factíveis:
𝑋𝑓 = {𝑥 ∈ 𝑋 𝑛 : 𝑔(𝑥)  0}

Em problemas multiobjectivos, os resultados são geralmente um conjunto de possíveis soluções,

as quais podem ser classificadas como dominadas ou não-dominadas. Para compreender isso, é
necessário que se saiba que um vetor 𝑥 1 domina um vetor 𝑥 2 quando a avaliação do primeiro não
for pior do que a avaliação do segundo em nenhum dos objetivos e deve ser melhor em pelo
menos um. Ou seja:

𝑆𝑒 𝑓𝑖 (𝑥1 ) ≤ 𝑓𝑖 (𝑥2 ) ∀i ∈ {1, … , 𝑚} ∧ ∋ 𝑗 ∈ {1, … , 𝑚} ∶ 𝑓𝑗 (𝑥1 ) < 𝑓𝑗 (𝑥2 )

Assim, se um vetor x1 não é dominado por qualquer vetor x2 em todo o espaço viável, tem-se a
solução x1 como eficiente e, portanto, não dominada, ou mesmo, Pareto-ótima. O conjunto de
todas as soluções não-dominadas forma a fronteira de Pareto, a qual representa o equilíbrio ideal
entre todos os objetivos e pode ser representada de acordo com a Figura 2.29.

74
 Figura 2.29 – Fronteira de Pareto, solução dominada e solução não-dominada.

Quanto à utilização de algoritmos evolutivos multiobjectivos (AEMO), de acordo com Van

Veldhuizen & Lamont (2000), Schaffer (1984) foi o primeiro a publicar estudos a respeito do
tema. Em seguida, Coello (1999) analisa quatro notáveis revisões bibliográficas acerca de AEMO,
sobre o qual Fonseca & Fleming (1993) e Horn & Nafpliotis (1993) apresentam as principais
técnicas. De todas essas técnicas aplicadas em AEMO encontradas nos autores citados, destacam-
se multiobjective genetic algorithm (MOGA) – algoritmos genéticos multiobjectivos, em
português –, cuja ordem dos indivíduos é fundamental, dos quais os indivíduos não-dominados
possuem classificação igual aos dominados (Fonseca e Fleming, 1995). Por outro lado, os
dominados devem ser penalizados a partir da sua dominância. Dessa forma, o objetivo deverá ser
encontrar uma maneira de interpolar os dois grupos em uma boa conformação de fronteira Pareto-
ótima (Ávila, 2006). Outra técnica importante pode ser observada em Srinivas & Deb (1994) em
nondominate sorting genetic algorithm (NSGA I) – algoritmo genético baseado em ordenação
não-dominada, em português –, o qual tem a sua sequência, NSGA II, no trabalho de (Deb, Pratap,
Agarwal, & Meyarivan, 2002). Neste caso, todas as não-dominadas serão selecionadas. Por todas
possuírem o mesmo grau de eficiência, passam a ter a mesma probabilidade de se reproduzir.
Desse modo, segundo (Ávila, 2006), o desafio dessa técnica é manter a diversidade da população,
uma vez que a falta de diversidade possivelmente torne a fronteira incompleta.

Quanto aos resultados da utilização de algoritmo genético para otimização em projeto de

habitação passiva, (Gou, Nik, Scartezzini, Zhao, & Li, 2018) aplica algoritmo genético
multiobjectivo e redes neuronais artificiais para adaptar uma residência às condições climáticas
em Xangai. A melhoria foi observada na medida em que houve redução da procura de energia
entre 27.86 % a 33.29 %. (Bre, Silva, Ghisi, & Fachinotti, 2016), por sua vez, utiliza um algoritmo
genético para melhorar o desempenho térmico e energético de habitação no litoral da Argentina.
O resultado da otimização foi uma redução em 91% dos graus-horas de desconforto térmico na

75
sala de estar e 88 % no consumo da energia nos quartos. (Dalbem, Grala da Cunha, et al., 2019)
recomenda a adaptação de projetos de habitação social aos diferentes climas do Brasil numa
perspetiva passiva e a aprovação de instrumentos regulamentares para classificação de
desempenho energético e de conforto térmico. Tal recomendação resulta do estudo em que o
consumo de energia reduzia em 77 % quando as habitações eram melhoradas recorrendo a uma
otimização multiobjectivo.

Aplicações de algoritmos evolutivos em plantas

Projeto de arquitetura é um conjunto de tarefas cujas habilidades exigidas transitam entre a

objetividade matemática e a subjetividade que inclui componentes estéticos e culturais. Assim,
traduzir requisitos de projetos para um processo de automação e otimização em arquitetura
costuma ser desafiador, pois determinadas subjetividades tornam-se intangíveis
matematicamente. Por outro lado, trabalhos utilizam-se de modelos heurísticos, nos quais a forma
da construção é o resultado da interação entre os requisitos do projeto e os constrangimentos
físicos da construção. Esses procedimentos automatizados, como a otimização de planta baixa,
geralmente se concentram em requisitos topológicos e geométricos objetivos e mensuráveis
(Michalek, 2001).

Embora o planeamento de layout seja somente uma parte do projeto arquitetónico, há décadas que
métodos de otimização são melhorados por investigadores para resolução desse problema,
sobretudo do ponto de vista da sua automação (Zawidzki & Szklarski, 2020). Isso ocorre porque
trata-se de um problema complexo, geralmente NP-Hard (Garey & Johnson, 1990) e, portanto,
um desafio computacional para investigadores e projetistas. As soluções para esses problemas
foram aprimoradas ao longo dos anos, e podem ser classificados da seguinte forma:

▪ Atribuições de áreas: no caso do problema de atribuição quadrática – quadratic

assignment problema (QAP), em inglês – a geometria de um layout é simplificada a um
grid, malha de unidades modulares quadradas, as quais são atribuídas aos seus locais
correspondentes. Essas relações devem incluir geometria e topologia (Zawidzki et al.,
2011);

▪ Partições de áreas: quando a área da planta pode ser dividida em áreas menores, como
ocorre com técnicas como k-dimensional tree (Knecht & Koenig, 2010), slice tree
structure (STS) (Kado, 1995) e half plan (Damski & Gero, 1997);

76
 ▪ Alocação de espaços: space allocation approach (SAP), em inglês, trata do arranjo
espacial baseado em constrangimentos geométricos e topológicos (Rodrigues et al.,
2013);

As três abordagens apresentadas definem como podem ser elaborados os problemas de automação
dos layouts em arquitetura. Esses estudos tiveram suas primeiras abordagens algorítmicas durante
a década de 1960 através de investigações que buscavam otimizar a distribuição dos espaços em
layout com o auxílio de grafos, os quais permitiam o controle e a avaliação dos resultados (Levin,
1964). O programa computacional chamado GRAMPA (GRAph Manipulating Package) também
se utilizou de grafos para representação das plantas e planeamento dos espaços (Grason, 1970).
Por sua vez, os primeiros trabalhos formulados a partir da abordagem QAP foram elaborados nos
anos de 1960 a partir do qual resultou o programa CRAFT (computerized relative allocation of
facilities technique) (Buffa, Armour, & Vollmann, 1964).

Ao longo das décadas de 1990 e 2000, a abordagem predominante entre as diferentes escolas para
soluções em planeamento do espaço foi a de algoritmos evolutivos, nos quais os principais
interesses concentraram-se em algoritmos genéticos (Gero & Kazakov, 1998b; Jo & Gero, 1998;
Wong & Chan, 2009) e programação genética (Gero & Kazakov, 1997; Jagielski & Gero, 1997).
Em uma fase seguinte, intensificaram-se as pesquisas em algoritmos evolutivos multiobjectivos
(Inoue & Takagi, 2008; Rodrigues et al., 2013) a partir dos quais, em um exemplo ilustrativo, o
melhor desempenho em um requisito do projeto poderá ter um maior custo. Desse modo, se
houver interesse em minimizar o custo e maximizar o desempenho, deve-se buscar uma “solução
admissível” (Zawidzki et al., 2011).

Em todas essas abordagens necessitam de inserção manual de constrangimentos físicos da

construção, os quais dependem do conhecimento prévio do projetista. Ademais, nos últimos casos
de trabalhos baseados em constrangimentos, os algoritmos geradores de layout demandam
problemas de otimização multiobjectivo, os quais não podem garantir um resultado ótimo, além
de alto consumo de tempo e de recurso computacional (Chugh et al., 2019). Desse modo, os
trabalhos mais atuais utilizam-se de outros métodos de inteligência artificial, como aprendizado
profundo, que é a abordagem supervisionada mais eficiente de aprendizado de máquina em termos
de custo e tempo computacional, cujo desempenho tem crescido em várias áreas da tecnologia
(Dargan et al., 2020).

2.7.3 Redes Neuronais e processo de projeto em arquitetura

77
A inteligência artificial (IA) pode ser definida como um sistema cuja capacidade de interpretar
adequadamente dados torna-o capaz de aprender e, portanto, aplicar esse aprendizado em tarefas
específicas a partir de adaptações ao contexto do problema (Kaplan & Haenlein, 2019).
Aprendizado de máquinas é considerado uma especificidade desse sistema, o qual possui um
conjunto de métodos que podem detetar automaticamente padrões em dados para buscar precisão
em tomadas de decisão diante de incertezas (Murphy, 2012), haja vista esse conjunto de métodos
fornecer modelos preditivos cada vez mais precisos a depender dos dados e das técnicas aplicadas.

No cotidiano a aplicação de IA pode ser observada em experiências com carros autónomos,

reconhecimento facial e de movimentos, doenças identificadas a partir de imagens. O que essas
aplicações têm em comum é a utilização de visão computacional, a qual combinada com
inteligência artificial tem progredido rapidamente em diversas áreas da tecnologia. Isso tem sido
possível devido à grande quantidade de imagens disponíveis em banco de dados públicos obtidos
a partir de diferentes fontes, como câmaras e sensores, além da maior capacidade de
processamento computacional e da evolução técnica, as quais superam as anteriores em muitas
tarefas (Voulodimos, Doulamis, Doulamis, & Protopapadakis, 2018). Os estudos de visão
computacional e análise de imagens passam a ter maior relevância em pesquisas entre os anos
1970 e 1980 (Sonka, Hlavac, & Boyle, 2015), as quais progrediram desde o baixo nível de deteção
de objetos em imagens, como bordas e cantos, ao nível mais avançado, como a compreensão
computacional de cenas do mudo real (Koch et al., 2019a).

No projeto da construção, há muitas aplicações que combinam análise de imagem e IA, como
deteção, segmentação e classificação de componentes construtivos, reconhecimento de estilo
arquitetónico e compreensão semântica de um cenário interior de uma casa. Em métodos
generativos, por exemplo, nos quais há aplicação de visão computacional e inteligência artificial
para gerar sinteticamente soluções em projeto, a aplicação de aprendizado profundo é
implementado em modelagem de cenário interior (A Radford et al., 2016), plano arquitetónico,
incluindo layout e 3D (As, Pal, & Basu, 2018), plano de fachadas (Isola, Zhu, Zhou, & Efros,
2017a) e planta baixa (Rahbar et al., 2019). Diferentemente dos métodos generativos baseado em
constrangimentos, a aplicação de aprendizado profundo desenvolve-se a partir do reconhecimento
de padrões implícitos em treinamento de dados, os quais permitem o reconhecimento automático
de regras de distribuição de ambientes, suas relações semânticas e a sua forma. Uma vez que a
distribuição de probabilidades de um conjunto de dados é aprendida pela rede, esse modelo passa
a sintetizar novos exemplares de projeto com alto grau de realismo (Z. Wang et al., 2019).

Em suma, reconhecimento de imagens para geração de novas imagens em projeto são dois
processos complementares identificados nos novos métodos generativos para automação de

78
plantas. Esses processos também podem ser denominados de análise de imagem (ou visão
computacional) e de síntese de imagem (ou computação gráfica) (Szeliski, 2020). Enquanto a
análise de imagem busca a capacidade de compreender informações da imagem a partir de
ferramentas para criar modelos que representam as características do objeto, a síntese de imagem
fornece ferramentas para a partir do modelo da análise criar imagens (McMillan & Gortler, 1999).
Além disso, a análise de imagem normalmente é precedida por um pré-processamento, ou
processamento de imagem, que extrai a representações primitivas da imagem, como contornos e
cantos, através de filtros. Um exemplo de processamento de imagem seria o uso de filtro para
reduzir ruídos e melhorar o treinamento de um conjunto de dados para visão computacional ou
técnicas de aprendizado profundo. Assim, essas três áreas, análise de imagem, síntese de imagem
e processamento de imagem são a fundação de todo o processamento computacional que envolva
imagem (Gomes & Velho, 1997).

Conceitos de redes convolucionais e visão computacional

Aprendizado profundo supervisionado aplicado à visão computacional tem nas redes

convolucionais a sua base fundamental, uma vez que esse modelo foi inspirado na estrutura do
sistema visual (Hubel & Wiesel, 1962). A arquitetura do primeiro modelo computacional das
redes convolucionais foram desenvolvidas por (Fukushima, 1980) e a partir de Lecun, Bottou,
Bengio, & Há (1998), a arquitetura LeNet torna-se referência sobre a qual as demais arquiteturas
de redes convolucionais desenvolveram-se. Um dos princípios dessa rede, que a tornam apta a
trabalhar com imagens é que ela as processa como matrizes. O pixel é a menor unidade de uma
imagem, portanto uma imagem é uma matriz de pixel, a qual se arranja em linhas e colunas. Os
números que compõem a matriz de pixels indicam peso menor quanto mais próxima a imagem
for do branco e maior peso à medida que se aproxima do preto. Assim, seja uma imagem 3D, a
qual comporta-se como um volume de pixels, seja um registo sonoro, que pode ser armazenado
em imagem 2D de uma espectrograma, são todos entradas de dados possíveis em uma rede
convolucional (Berman, Buczak, Chavis, & Corbett, 2019).

A aplicação da rede convolucional em visão computacional pode ser compreendida a partir do

mecanismo segundo o qual a entrada dessa rede é uma imagem e, para que as características dessa
imagem sejam reconhecidas, a arquitetura da rede convolucional divide-se entre aprender as
características da imagem e classificar o objeto reconhecido contido nela (Figura 2.30). Mais
especificamente, essas redes são compostas por camadas convolucionais, pooling (ou camadas de
agrupamento), e camadas de classificação (Lecun, Bengio, & Hinton, 2015). As camadas
convolucionais extraem características da imagem a partir de operações desenvolvidas por filtros.
A seguir, a camada de agrupamento tem por objetivo reduzir a dimensão das características da

79
imagem e dos parâmetros da rede. As camadas totalmente conectadas são responsáveis por
reconhecer e classificar as imagens a partir do ajuste de pesos e previsão de saída para uma
determinada tarefa.

Figura 2.30 – Arquitetura de uma rede convolucional: extração de características e classificação (adaptado de
Berman, Buczak, Chavis, & Corbett, 2019).

De acordo com a Figura 2.31, dos passos (a) - (i) tem-se que o filtro (em cor verde) desliza sobre
trechos da imagem (em cor laranja), de modo que o resultado da operação entre as duas matrizes
compostas por números discretos é armazenado em um campo do mapa de características (em cor
azul). No passo (a), por exemplo, a matriz 2x2 correspondente ao filtro opera na região de
dimensão correspondente de uma imagem de matriz 4x4, em uma multiplicação cujos resultados
devem ser somados. No passo (i), todos os resultados foram obtidos e armazenados no mapa de
características, os quais, como ilustrados na Figura 2.30, passarão por uma camada de
agrupamento, ou pooling, o qual deverá obter o valor mais relevante do mapa de características,
como o maior número (max-pooling), apresentados na Figura 2.32 (Khan, Rahmani, Shah, &
Bennamoun, 2018). Como as funções dos filtros são lineares, cada mapa de característica é
ativado a partir de uma função não-linear, como o ReLU 𝑓(𝑥) = (0, 𝑥) (Hoeser & Kuenzer,
2020).

80
Figura 2.31 – Operação da camada de convolução sobre a imagem a partir de um filtro (fonte: Khan, Rahmani, Shah,
& Bennamoun, 2018).

A partir das redes convolucionais, a análise de imagem tem alcançado resultados relevantes no
estado da arte de tarefas de reconhecimento visual (Khan et al., 2018). A análise de imagem pode
ser dividida em dois métodos: baixo nível e alto nível de processamento (Sonka et al., 2015).
Baixo nível de processamento utiliza-se de pouco conhecimento sobre o conteúdo da imagem e
pode ser aplicado em tarefas como filtro de ruídos, extração de cantos, contornos de uma imagem.
A seguir, seguem técnicas de baixo nível para análise de imagem:

▪ Extração de características: é o processo de obtenção de informação de imagem como

cor, brilho, forma e textura.
▪ Fusão de imagem: é a técnica que junta duas ou mais imagens obtidas através da
combinação de outras imagens diferentes referentes ao mesmo conteúdo.

81
Figura 2.32 – Operação da camada de max-pooling sobre o mapa de características (fonte: Khan, Rahmani, Shah, &
Bennamoun, 2018).

Alto nível de processamento, por sua vez, requer um conhecimento mais abrangente acerca do
conteúdo da imagem para ser capaz de reconhecer, distinguir e classificar objetos. A principal
diferença entre alto nível e baixo nível de processamento de imagem é que somente dados mais
relevantes para o reconhecimento do objeto são extraídos para alcançar o objetivo de alto nível,
o qual reduz consideravelmente a quantidade de dados (Sonka et al., 2015). A seguir, algumas
das tarefas de processamento de alto nível serão definidas (Figura 2.33):

Figura 2.33 – Reconhecimento de imagem, segmentação de imagem, deteção de objeto e segmentação de instância
(adaptado de Hoeser & Kuenzer, 2020).

▪ Classificação / Reconhecimento de imagem: deverá separar diferentes tipos de objetos

por categorias correspondentes às características identificadas na imagem. A partir do
conjunto, de categorias, essa tarefa poderá reconhecer o contexto e classificar a imagem
como um todo.

82
 ▪ Segmentação semântica: é o processo de separação de componentes homogêneos da
imagem em objetos separados a partir da classificação de cada pixel com seus respetivos
rótulos semânticos. Essa técnica também pode ser utilizada como base para deteção de
objetos, uma vez que a segmentação de instâncias permite classificar cada objeto
individualmente.

▪ Deteção de objetos: é uma técnica apropriada para identificar múltiplos objetos em uma
simples imagem e prever sua localização a partir de contornos retangulares e rótulos de
classificação. A segmentação de instâncias, por sua vez, pode ser considerada uma
particularidade da deteção de objetos (Hoeser & Kuenzer, 2020).

Para diferentes tarefas em visão computacional há diferentes possibilidades de arquitetura de

redes convolucionais (Quadro 2.20). As arquiteturas mais conhecidas incluem AlexNet
(Krizhevsky, Sutskever, & Hinton, 2017), VGGNet (Simonyan & Zisserman, 2015), ResNet (He,
Zhang, Ren, & Sun, 2016), GoogLeNet (Szegedy et al., 2015), utilizadas sobretudo para
classificação de imagens. As redes R-CNN (Girshick, Donahue, Darrell, & Malik, 2014), Fast R-
CNN (Girshick, 2015) e Faster R-CNN (Ren, He, Girshick, & Sun, 2015) , por exemplo, são mais
comuns para deteção de objetos, ao passo que U-Net (Ronneberger, Fischer, & Brox, 2015),
SegNet (Badrinarayanan, Kendall, & Cipolla, 2017) e RefineNet (G. Lin, Milan, Shen, & Reid,
2017) são utilizados para segmentação semântica.

Quadro 2.20– Tarefas, abreviações e descrições relativas às arquiteturas de rede.

Tarefa Abreviação Descrição

AlexNet Alex Krizhevsky (autor)
VGGNet Visual geometry group
Classificação ResNet CNN com conexões residuais
Desenvolvido pela Google, e sucessor do trabalho
GoogLeNet
de LeCun et al. (1989)
R-CNN CNN baseado em Região
Deteção Fast R-CNN R-CNN + regional of interest (RoI) pooling
Faster R-CNN R-CNN + regional proposal networks
U-Net Codificador e descodificador CNN em forma de U
SegNet Codificador e descodificador CNN
Segmentação
Rede de refinamento multitarefas para segmentação
RefineNet
semântica de alta resolução

AlexNet, desenvolvida em 2012 (Krizhevsky et al., 2017), foi o modelo em larga escala
responsável pelo ressurgimento das redes neuronais profundas em visão computacional. Anterior
a ele, outras arquiteturas eram relativamente pequenas e não foram testadas em conjunto de dados
de larga escala como o ImageNet dataset (Khan et al., 2018). Em 2014, a arquitetura VGG foi

83
capaz de reduzir os erros de classificação para menos de 10 % (Figura 2.34) ao passo que
aumentou o número de camadas da rede para 16-19, enquanto em AlexNet havia 8 camadas (He
et al., 2016).

Em 2015, a arquitetura ResNet levou o aprendizado profundo para outro patamar, uma vez que
reduziu o erro de classificação para 3,6 %, ultrapassando a capacidade humana, a partir de uma
rede mais profunda, com 1202 camadas (R. Zhang, Du, Xiao, & Liu, 2020). Embora o aumento
da profundidade tenha acompanhado resultados de melhor desempenho, não se deve somente a
isso o sucesso da arquitetura ResNet, mas também a técnicas como shortcut connection (He et al.,
2016), que trata de um “bloco residual” para otimização da rede. Em 2017 a rede squeeze-and-
excitation network (SENet) obteve a melhor performance do desafio de classificação ImageNet
com 2.3 % de erro.

Figura 2.34 – Erro de classificação em %, de acordo com o desafio da ImageNet Large-Scale Visual Recognition
Challenge (ILSVRC) (He et al., 2016).

Enquanto o reconhecimento e a segmentação de uma imagem concentram-se na classificação de

um objeto, a deteção acresce a tarefa de localizá-lo. Para isso, é utilizada uma caixa delimitadora
em torno do objeto a ser reconhecido na imagem, a qual passa a ser um problema de regressão
(Hoeser & Kuenzer, 2020). Portanto, o problema é conseguir selecionar uma região na imagem,
que contenha um objeto ou mais, a partir de um retângulo com o maior grau de ajuste e precisão
possível. Para isso, necessita-se de algoritmo que detete regiões, como o Regional CNN (R-CNN),
o qual propõe seleção de regiões para extrair características a partir da arquitetura CNN e
classifica-as através de máquina de vetores de suporte (Girshick et al., 2014). Por fim, a caixa
delimitadora deve ser melhorada de acordo com o centro, altura e largura em pixel do objeto a ser
detetado. O Fast R-CNN e o Faster R-CNN foram melhorias no R-CNN, como a incorporação de

84
uma rede denominada regional proposal networks (RPN) no Faster R-CNN (Ren et al., 2015),
que permitiram maior velocidade e acurácia na deteção dos objetos.

Visão computacional profunda e análise automática de layout

A análise da planta arquitetónica auxiliada por computador é uma especificidade de visão

computacional, também denominada de reconhecimento gráfico, e sua automação já se encontra
incorporada à plataforma CAD (Lluis-Pere de las Heras, Fernandez, Valveny, Llados, & Sanchez,
2013). Nos últimos anos, muitos trabalhos exploraram técnicas como segmentação semântica de
ambientes e paredes para reconhecimento de plantas (Ahmed, Liwicki, Weber, & Dengel, 2011b,
2012; Lluís-Pere de las Heras, Ahmed, Liwicki, Valveny, & Sánchez, 2014; Lluis-Pere de las
Heras et al., 2013; Dosch, Tombre, Ah-Soon, & Masini, 2000a; Macé, Locteau, Valveny, &
Tabbone, 2010).

A análise automática de uma planta arquitetónica pode ser desenvolvida a partir de segmentação
da informação, da análise estrutural e da análise semântica (Ahmed et al., 2012). De acordo com
a Figura 2.35, a partir do reconhecimento de uma planta baixa habitacional, a segmentação da
informação contém imagens textuais; linhas mais grossas, que representam paredes externas;
linhas médias, que representam as paredes internas; e as linhas mais finas, que correspondem à
simbologia do projeto. Na análise estrutural, é feita a deteção das paredes e são feitos os
fechamentos das lacunas e identificação dos limites da imagem. Por fim, a análise semântica
deteta a simbologia, os fechamentos de portas, além de detetar os ambientes, rotulá-los e dividi-
los de acordo com seu respetivo rótulo. Essa técnica de reconhecimento gráfico e textual aplicados
por Ahmed et al. (2011, 2012), tem como principal funcionalidade um algoritmo que separa duas
camadas: o texto e o desenho, foi fundamentada pelos trabalhos de Fletcher & Kasturi (1988) e
Tombre, Tabbone, Pélissier, Lamiroy, & Dosch (2002).

85
 Figura 2.35 – Fluxo de trabalho de análise automática de layout (adaptado de Ahmed et al., 2012).

Vários algoritmos foram desenvolvidos para segmentação de imagens, como histogramas

baseados em empacotamento, agrupamento k-means, contornos ativos e campos aleatórios de
Markov (Minaee et al., 2020). Nos últimos anos, algoritmos baseados em aprendizado profundo
obtiveram resultados mais promissores, como as já apresentadas arquiteturas de classificação. Um
dos primeiros trabalhos aplicados à segmentação semântica de imagem em aprendizado profundo
foi fully convolutional network (FCN) (Long, Shelhamer, & Darrell, 2017). Essa rede deriva da
modificação de arquiteturas como AlexNet, GoogLeNet e VGG, ao substituir as camadas
totalmente conectadas por camadas totalmente convolucionais. O fluxo de trabalho dessa
arquitetura FCN inicia-se com uma imagem original, que possui três camadas de cores: RGB
(Red, Green e Blue), que passa para filtros com D camadas e, em seguida, scores com C classes
e, por fim, uma imagem com a predição de pixels (Figura 2.36). Contudo, como a predição deve
ser para cada pixel da imagem, a resolução da imagem (HxW: altura e largura, respetivamente)
mantém-se em tamanho original, de modo que isso se torna muito dispendioso
computacionalmente.

86
 Figura 2.36 – FCN: rede projetada para previsões de pixels de uma só vez (Li, Johnson, & Yeung, 2018).

Para melhorar essa arquitetura, o modelo para segmentação semântica adota um novo método,
que consiste em um codificador e um descodificador. Enquanto o codificador é uma rede pré-
treinada, como AlexNet, VGG-Net e ResNet, o descodificador é projetado para discriminar
características na escala do pixel para classificações mais intensivas (Zhang et al., 2020). Nessa
arquitetura otimizada, serão desenvolvidos dois processos: a redução (H/2 x W/2 e H/4 x W/4) e
o aumento do tamanho das amostras até atingir as dimensões originais (H x W) ao fim da rede
(Figura 2.37). O descodificador deve fazer um papel generativo, uma vez que expande a imagem
reduzida para que a imagem volte à resolução original a partir de técnicas como unpooling (Noh,
Hong, & Han, 2015). Exemplos de algoritmo baseado em FCN são o U-Net e o SegNet.

Figura 2.37 – FCN: rede projetada para previsões de pixels a partir de redução e ampliação das amostras dentro da
rede (Li, Johnson, & Yeung, 2018).

Nos últimos anos, experiências com a arquitetura FCN aplicada à reconhecimento de planta baixa
são desenvolvidas para diferentes tarefas, como segmentação gráfica e textual (Dodge et al., 2017)
ou somente de paredes (Ziran & Marinai, 2018). Por outro lado, uma arquitetura com codificador
VGG pode ser utilizada para segmentação gráfica (Zeng, Li, Yu, & Fu, 2019), enquanto a deteção
de paredes pode ser feita a partir da segmentação com o uso da arquitetura U-Net (Jang, Yang, &
Kiyun, 2018). No caso da arquitetura VGG para segmentação das paredes (Zeng et al., 2019), um
codificador captura as características da imagem da planta e compartilha com duas distintas
tarefas da rede. A partir de dois descodificadores distintos (Figura 2.38), as duas tarefas são
realizadas para prever os pixels dos limites dos ambientes (paredes, portas e janelas) e prever os

87
pixels dos tipos de ambientes (sala de jantar, quartos etc.). Por sua vez, (Dodge et al., 2017)
utiliza-se de rede FCN para segmentação de paredes e Google Vision API para deteção de textos.

Figura 2.38 – Codificador VGG e dois descodificadores para precisão de limites da planta e tipos dos ambientes
(adaptado de Zeng et al. 2019).

GANs e a geração automática de layout

A computação gráfica e a visão computacional interagem de forma complementar com o

aprendizado profundo a partir dos modelos generativos profundos, que permitem a criação de
novas imagens ou a alteração de imagens existentes a partir de treinamento de redes. Há alguns
algoritmos que compõem o modelo generativo profundo, como a máquina de Boltzman, os
codificadores automáticos variacionais e as redes adversárias generativas (em inglês: generative
adversarial networks – GANs), que serão mais profundamente utilizadas neste trabalho.

A abordagem GANs, desenvolvida por Ian Goodfellow em 2014, apresenta uma arquitetura de
rede que permite a criação de imagens inéditas a partir do treinamento da máquina com imagens
de referência, através das quais serão apreendidas características desejáveis para a imagem
gerada. Trata-se de redes competitivas, chamadas de geradora e discriminadora (Goodfellow et
al., 2014). Essas redes comportam-se como um jogo mínimo-máximo em um processo iterativo
de otimização. Enquanto a rede geradora é utilizada para criar dados sintéticos a partir de ruídos
aleatórios, a rede discriminadora é utilizada para avaliar o resultado da geradora como real ou
falsa (Goodfellow et al., 2014). Os dois modelos devem ser treinados juntos e, assim, se o
discriminador é “enganado” é porque o modelo gerador alcançou resultados convincentes. A
partir disso, é possível criar uma nova pintura à maneira de um estilo de um determinado pintor
e, à medida que a rede geradora aprende padrões e “engana” a discriminadora, o resultado tornará
difícil distinguir a autoria do trabalho.

88
As variações de GANs podem ser criadas sobretudo para melhoria de desempenho da rede, como
o caso do DCGAN (Radford, Metz, & Chintala, 2016), que foi desenvolvido para gerar imagens
de alta qualidade, além de propiciar maior estabilidade ao treinamento das redes em relação do
GANs tradicional. Variações similares, como BEGAN (Berthelot, Schumm, & Metz, 2017),
também melhora o desempenho da imagem em alta resolução, além de BigGAN, permite uma
alta-fidelidade de uma imagem sintética na reprodução de objetos naturais (Brock, Donahue, &
Simonyan, 2019). Conditional Adversarial Network (cGAN), desenvolvido por Philip Isola em
2017, é uma abordagem eficaz em sintetizar fotos a partir de mapas de rótulos, reconstruir objetos
a partir de mapas de bordas, colorir imagens, entre outras tarefas de tradução de imagem para
imagem (Isola, Zhu, Zhou, & Efros, 2017b). Assim, a rede cGAN é capaz de colorir
adequadamente imagens inéditas testadas após o treinamento, como no exemplo de imagens de
uma paisagem exposta à luz do dia, que foi traduzida para uma representação da mesma paisagem
à noite na saída da rede (Isola et al., 2017b).

A geração sintética de layout baseada em cGAN (Rahbar et al., 2019) consiste em um conjunto
de dados, baseadas em um par de imagens, que é composto por uma entrada, que representa o
limite da planta, e uma imagem de saída rotulada por cores, que é carregada como um alvo a ser
alcançado (Figura 2.39). O modelo gerador usa uma rede convolucional e deconvolucional, os
quais reduzem a dimensão de imagem de entrada e a ampliam de volta para o tamanho original.
Como resultado, uma imagem sintética é gerada. Em seguida, a imagem gerada e a imagem de
entrada são carregadas dentro do modelo discriminador, que classificará a imagem gerada como
real ou falsa (Figura 2.40).

Figura 2.39 – planta original, imagem de entrada (limites da planta) e imagem de saída rotulada (cores) (Rahbar et al.,
2019).

89
Figura 2.40 – Processo de treinamento GAN a partir de limites da edificação para alocação de ambientes (Rahbar
et al., 2019).

O resultado do treinamento e dos testes da rede foram comparadas com divisão de ambientes
feitos por projetistas experientes, e demonstrou grande aproximação entre a avaliação feita por
especialistas e o resultado da máquina (Rahbar et al., 2019). A pontuação máxima foi de 5 para
cada quesito (desenho ortogonal, dimensões dos espaços, proporção das áreas, identificação da
entrada do apartamento e adjacência correta entre os ambientes). A média da consistência do
resultado da máquina foi de 4.68, contra 4.92 dos especialistas, o que indica um resultado
promissor para essa investigação.

Devido à característica mimética das aplicações das redes generativas em plantas baixas a partir
de resultado dos últimos trabalhos sobre o tema (Chaillou, 2019; Rahbar et al., 2019; B. Yang,
Li, Song, Jiang, & Ling, 2019), pode-se dizer que se trata de um processo mais emulativo do que
criativo (Elgammal, Liu, Elhoseiny, & Mazzone, 2017), uma vez que o seu aprendizado está
restrito ao conjunto de dados para o treinamento da rede. Em trabalhos similares, mas aplicados
à música, desafios da abordagem GAN foram identificados na necessidade do controle da
repetição de notas, na falta do senso de direção da composição, no dilema entre criatividade,
imitação e o risco de plágios, além da necessidade de maior interatividade, em vez de um processo
único, automatizado e generativo (Briot & Pachet, 2020).

Em resposta aos desafios do modelo GAN, abordagem como o creative adversarial networks
(CAN), propõe um modelo que se torne criativo e que seja capaz de se desviar do estilo aprendido
através do treinamento do conjunto de dados (Elgammal et al., 2017). Embora não haja ainda
aplicações desse modelo em plantas, alguns trabalhos, com o intuito de obter maior controle sobre
os resultados, incorporaram métodos como os grafos. Esse recurso também foi explorado nos
algoritmos generativos mais tradicionais para que fossem controlados os resultados topológicos
dos ambientes. Mais especificamente, essas aplicações permitem uma maior variedade do projeto
a partir de representações de ambientes por nós e adjacências entre ambientes por arestas (As et
al., 2018; Nauata, Chang, Cheng, Mori, & Furukawa, 2020a). Graph2plan (Hu et al., 2020), apesar
de não ser um modelo GAN, é um exemplo que tem uma arquitetura baseada em CNN, mais

90
especificamente graph convolutional networks (GCN), que combina grafos com aprendizado
profundo para a geração automática de layout.

House-GAN (Nauata et al., 2020a) foi desenvolvido especificamente para geração de ambientes
para casas a partir de uma combinação entre GAN e restrições, que são codificadas dentro de uma
estrutura de grafos. Isso permite uma arquitetura mais eficaz para composição de layouts e
possibilidades de validar restrições de adjacências. Para isso, o conjunto de dados que contêm
imagens de plantas (LIUFULL HOME’s) foi utilizado como fonte de treinamento da rede. As
plantas tiveram que passar por vectorização para que cada ambiente fosse convertido em um nó
de um grafo. Desse modo, cada a entrada será feita por grafos e a imagem rotulada é a meta para
que o modelo generativo avalie como verdadeiro ou falso o resultado obtido a partir da relação
topológica dos grafos (Figura 2.41).

Figura 2.41 – Grafos de entrada e plantas de saída rotuladas (adaptado de Nauata et al., 2020).

A singularidade de House-GAN consiste na utilização da arquitetura convolutional message

passing neural network (Conv-MPN), que codifica as informações da geometria em um volume
de recursos espacial 3D, permitindo o “raciocínio espacial natural” (Zhang, Nauata, & Furukawa,
2020), em vez do tradicional vetor numérico 1D (Battaglia et al., 2018). Assim, de acordo com a
Figura 2.42, após a entrada do grafo na rede, é feita a Conv-MPN, um aumento das amostras
(upsampling) e uma convolução até chegar a um layout como saída. Esse layout torna-se entrada
e sofrerá uma convolução, um Conv-MPN, uma redução da amostra e uma convolução até a saída
no formato de grafo. Dessa forma, os grafos armazenam informações de tridimensionalidade dos
constrangimentos da habitação. Comparado com as demais arquiteturas (GCN e redes generativas
baseadas em CNN), a partir das métricas realismo, diversidade e compatibilidade, esse modelo
mostrou-se mais satisfatório em todos os quesitos (Nauata et al., 2020a).

91
 Figura
2.42 –

Gerador do layout (superior) e discriminador (inferior) (Nauata et al. 2020).

Projetos a partir de recuperação de imagens baseada em esboço

Recuperação de imagem baseada em esboço (RIBE) é um sistema no qual a partir de uma entrada
de dados, como texto, desenhos (rascunhos ou croquis) ou imagens, é feita a busca de imagens
similares em uma base de dados. Fazer consulta de imagens através de esboços tem sido cada vez
mais acessível devido a tecnologia baseada em tela sensível ao toque, como os tablets e
smartphones. Um exemplo de busca similar é a ferramenta Google Images
(https://images.google.com/), na qual uma pesquisa por imagens aproximadas pode ser feita a
partir de inserção de um simples esboço.

Em projeto de arquitetura, esse recurso permite recomendar imagens de acordo com a preferência
do projetista, o qual poderá utilizar-se de uma fonte criativa para estudos preliminares de projeto.
Para isso, são utilizados métodos tradicionais, como reconhecimento de símbolos a partir de
abordagem estatística (Nayef & Breuel, 2013; Santosh, Lamiroy, & Wendling, 2014) ou
segmentação de imagens (Ahmed et al., 2014; Macé et al., 2010). Uma ferramenta que
exemplifica isso é o a.SCatch, que automatiza a extração de estrutura semântica de projetos
antigos e de desenhos de arquitetos, e recupera imagens similares a partir de uma base de dados
e uma interface visual (Ahmed et al., 2014).

Nos últimos anos, as redes profundas para recuperação de imagens é utilizada para extrair
características semânticas de plantas a partir de arquitetura de rede como AlexNet modificada
(Sharma, Gupta, Chattopadhyay, & Mehta, 2017), FRCNN (Khade, Jariwala, Chattopadhyay, &

92
Pal, 2021) e CyclicGAN (Sharma, Gupta, Chattopadhyay, & Mehta, 2019a, 2019b), que se
destaca por se tratar de um método mais recente, obtendo melhores resultados em encontrar a
diferença entre esboço e consulta da imagem a partir de uma eficiente recuperação de imagem
(Sharma et al., 2019b). Enquanto o Conditional GAN necessita que haja correspondência de
alinhamento entre imagens para o treinamento, o mesmo não ocorre no CyclicGAN, o que facilita
por não necessitar desse tipo de tratamento de imagens para alimentar a base de dados.

Com a utilização de Cyclic GAN e banco de dados do Repository Of BuildIngs plaNs (ROBIN)
(Sharma et al., 2019a), de acordo com a Figura 2.43, observa-se, à esquerda, o domínio dos
esboços (Sketch Domain (S)), que contém os desenhos de plantas manuais e, à direita, o domínio
da imagem (Image Domain (I)), com imagens de plantas. A seguir, estão detalhados os passos 1
e 2, que podem ser observados na parte superior da figura, e os passos 3 e 4, identificados na parte
inferior da figura.

1. A função G(.) é responsável por converter o desenho em uma imagem mais próximo
possível ao original, designado de G(S);
2. Por outro lado, a imagem G(S) passará por um processo contrário, cuja função F(.)
converterá a imagem em um desenho manual mais próximo ao seu original, denominado
F(G(S));
3. O processo inverso conclui o ciclo, no qual a imagem é convertida através da função F(.)
em desenho manual F(I);
4. Por fim, o desenho manual F(I) é convertido, através da função G(.), novamente em
imagem G(F(I)).

93
 Figura 2.43 – Cyclic GAN para conversão de dados S-ROBIN em imagens geradas (GI-ROBIN) e imagens
recuperadas de esboço a partir de imagens GS-ROBIN (Sharma et al., 2019a).

2.7.4 Síntese

Inteligência artificial aplicada ao projeto da construção tem progredido graças à aplicação de redes
convolucionais à visão computacional. As diferentes tarefas de visão computacional profunda,
como deteção e segmentação de objetos, foram essenciais para o modelo generativo de imagens,
uma vez que o modelo de análise é a base para a síntese de imagens. Essa integração aplicada à
criação de layouts tem superado o estado da arte de métodos convencionais na medida em que o
aprendizado profundo compreende padrões e, à medida que a base de dados for consistente, os
resultados refletirão os requisitos latentes ao longo do treinamento da rede. Assim, além de
velocidade de processamento e acurácia dos resultados, o aprendizado profundo permitirá a
automação de constrangimentos e requisitos, outrora aplicados manualmente em métodos
baseados em constrangimentos.

As arquiteturas das redes convolucionais progridem cada vez mais de modo a permitir o rápido
avanço de soluções para automação em reconhecimento e em criação de layouts. A geração de
plantas tem mostrado resultados convincentes quanto às dimensões, proporções e topologias.
Embora o resultado da criação esteja condicionado aos dados de treinamento da rede, o que
caracteriza os resultados como mais emulativos do que criativos, pesquisas apresentaram soluções
em arquitetura GAN, como o modelo CAN, apesar de ainda não aplicada em geração de layouts.

94
As soluções como a incorporação de grafos às redes generativas propiciaram maior controle sobre
os resultados e, portanto, uma maior variedade das soluções projetadas pelas redes, além de
realismo e compatibilidade com os requisitos esperados.

Em projeto de arquitetura, RIBE permite recomendar imagens de acordo com a preferência do

projetista, o qual poderá utilizar-se de uma fonte criativa para estudos preliminares de projeto.
Para isso, são utilizados métodos tradicionais, como reconhecimento de símbolos a partir de
abordagem estatística ou segmentação de imagens. Nos últimos anos, as redes neuronais
profundas para RIBE são utilizadas para extrair características semânticas de plantas a partir de
arquitetura de rede como que se destaca por ser um método mais recente e que obtém melhores
resultados em encontrar a diferença entre esboço e consulta da imagem a partir de uma eficiente
recuperação de imagem.

95
3 CARACTERIZAÇÃO DO CASO DE ESTUDO

No capítulo anterior foram apresentados os problemas relativos ao deficit habitacional brasileiro,

mas também medidas para mitigação dessas questões através de programas que visavam
dinamizar a economia, como o PMCMV, bem como soluções alternativas de arquitetura. Os
programas habitacionais de Estado, a autoconstrução, com e sem assistência técnica, são os meios
pelos quais grande parte dos moradores de baixa renda buscam construir ou reformar suas casas.
Contudo, é comum a falta de qualificação dos moradores para responder a critérios básicos de
conforto e viabilidade energética a médio e longo prazo. Ademais, essa situação é agravada pelas
falhas da adaptabilidade das construções ao clima, sobretudo no que tange a estratégias para
mitigar o fenômeno das alterações climáticas, haja vista muitas cidades do nordeste brasileiro que
já enfrentam desafios como o calor e a dificuldade de acesso à infraestrutura básica, como água e
energia elétrica.

A habitação evolutiva é uma maneira de encarar dinamicamente a moradia, pois permite prever
uma adaptabilidade ao tipo de uso e ao crescimento ocupacional. Além disso, pode ser um método
para uma abordagem do conforto térmico adaptativo, comum em habitação social, que considere
estratégias passivas para a qualidade funcional da construção. Contudo, desenvolver habitação
evolutiva, e adaptativa às mudanças climáticas, não é uma tarefa simples para projetistas não-
especializados. Por essa razão, é fundamental que haja ferramentas que auxiliem na tomada de
decisão, que conte com processos participativos, que permitam a estudantes e profissionais uma
exploração técnica para que projetos de habitação social. Espera-se que esses utilizadores tenham
como ponto de partida soluções viáveis de conforto térmico, do desempenho energético e da
adaptação ao uso e ocupação ao longo da vida útil da habitação. A utilização de ferramentas como
as redes profundas serão fundamentais para a criação de um banco de dados com amostras para
experimentos, para automatizar e para estimular a participação em projeto a partir de
interatividade que se pode obter através da rede RIBE.

O presente capítulo será dividido em enquadramento, objetivos e resultados esperados,

metodologia e plano experimental. No enquadramento, o âmbito da pesquisa será apresentado,
bem como onde a pesquisa ocorrerá e quem irá intervir. Serão apresentados os objetivos gerais e
específicos, além de resultados intermediários e finais que deverão ser alcançados. Na
metodologia, os métodos e ferramentas serão detalhados, seguidos do passo-a-passo para a
construção do modelo base para a simulação dinâmica e, por conseguinte, geração de amostras
para o treinamento, testes e validação da rede RIBE. No plano experimental serão descritos os

96
passos detalhados (etapas, processos e tarefas) e o cronograma do desenvolvimento do caso de
estudo.

3.1 Enquadramento da pesquisa

Nesta secção serão caracterizadas as condições habitacionais de Fortaleza, a qual buscou

solucionar parte de seu deficit habitacional a partir do PMCMV. A caracterização bioclimática e
os possíveis cenários de mudanças climáticas serão discutidos à luz desses impactos diante da
vulnerabilidade social e económica de Fortaleza.

Caracterização habitacional de Fortaleza

A crescente pobreza em Fortaleza, cuja população aproxima-se de três milhões de habitantes,

induziu ao desenvolvimento de diferentes formas de moradias informais: mais de uma família em
uma mesma UH; expansão de disponibilidade de cômodos de aluguel e autoconstrução a partir
de materiais rústicos, improvisados e, em muitos casos, em áreas de risco. Os principais fatores
para o crescimento desordenado da cidade são (Pequeno & Aragão, 2009):

▪ Fluxo migratório do campo para a cidade;

▪ Redistribuição do espaço da população a partir de programas habitacionais do Estado;
▪ Migração intraurbana: moradores deixam de pagar aluguel para buscar novas ocupações;
▪ Comercialização de loteamentos clandestinos;
▪ Produção de espaços de segregação social, sejam horizontais ou verticais.

Em Fortaleza, como já discutido nesta tese a nível nacional, o deficit habitacional de mais de 130
mil famílias sem moradia adequada (Viana, 2019) levou a construções improvisadas em vários
de seus bairros, sejam elas para conceção de novas UHs, seja para ampliação de cômodos de
unidades já existentes. No entanto, a maior parte das áreas disponíveis para crescimento das
favelas de Fortaleza encontra-se na verticalização, seja para abrigar filhos dos moradores e suas
novas famílias, seja para atividades informais (comércio ou serviço), que ocupam a frente das
moradias (Mororó, 2012). A maioria desses casos ocorrem a partir da autoconstrução, sem a
participação de uma assistência técnica.

O PMCMV em Fortaleza segue com características arquitetónicas similares às apresentadas a

nível nacional, como a baixa diversidade tipológica, flexibilidade do projeto e possibilidades de
adaptação da construção. Como pode ser analisado na Figura 3.1, a distribuição das UHs na
cidade ocorre de acordo com a faixa de renda dos moradores. Enquanto a Faixa 2 e 3 concentram-
se mais próximos à centralidade, a Faixa 1 encontra-se nas regiões periféricas da cidade. Assim,

97
observa-se um maior grau de segregação da cidade, redução do acesso à infraestrutura e serviços
urbanos básicos, o que gera espaços homogêneos com monofuncionalidade.

Figura 3.1 – Mapa de localizações dos empreendimentos do PMCMV por faixa de renda (Pequeno & Rosa, 2015).

Além disso, a baixa qualidade do projeto revela o descaso quanto à diversidade das famílias
residentes, cujos diferentes hábitos necessitam da flexibilidade das maneiras de ocupar, assim
como a possibilidade de uma tendência do trabalho em domicílio. Da análise de 114
empreendimentos do PMCMV em Fortaleza até 2012 (Pequeno & Rosa, 2015) foi constatado que
os projetos não apresentam flexibilidade no sistema construtivo, de forma que não permitem a
expansão das unidades, tampouco o acréscimo de cômodos, uma vez que a maior parte das
implantações são multifamiliares, justapostos, muito adensadas e com privacidade comprometida
(Pequeno & Rosa, 2015).

Caracterização bioclimática de Fortaleza

O caso de estudo é realizado na região metropolitana de Fortaleza, que se encontra no litoral do

Nordeste brasileiro (latitude: 3.71839, longitude: 38.5434 3° 43′ 6″ Sul, 38° 32′ 36″ Oeste), às
margens do Atlântico. O clima de Fortaleza é caracterizado como quente e húmido, com variações
térmicas diárias e anuais pequenas. Há duas estações bem definidas. O verão caracterizado por
altas temperaturas (hemisfério sul: 21 de dezembro a 21 de março), que pode chegar a uma média

98
de mais de 27.5°C (Figura 3.2), combinada com maior taxa de pluviosidade e, portanto, maior
percentual de humidade relativa (Figura 3.3). Já o inverno, de 21 de junho a 23 de setembro,
embora também marcado pela alta intensidade de radiação solar, possui ao longo desse período
maior intensidade dos ventos (Figura 3.4), sobretudo nas direções leste e sudeste (INMET, 2020).

Figura 3.2 – Temperatura média mensal de Fortaleza. (Gráfico obtido através do site:
http://projeteee.mma.gov.br/dados-climaticos/).

450 90
400
Humidade relativa (%)

85
Precipitação (mm)

350
300 80
250
75
200
150 70
100
65
50
0 60
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses

Precipitação Humidade relativa

Figura 3.3 – Humidade relativa média e precipitação mensal da cidade de Fortaleza. (Dados obtidos através do
INMET, período: 1981 - 2010).

Com relação à predominância dos ventos em Fortaleza, além dos alísios de sudeste, o
posicionamento geográfico litorâneo propicia à cidade um sistema de brisas que atuam

99
diariamente, o que condiciona o clima local a partir de uma compensação térmica, uma vez que a
radiação solar é intensa ao longo de todo o ano (Fortaleza, 2006).

4.5
Intensidade do vento (m/s)

4.0

3.5

3.0

2.5

2.0
Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
Meses

Figura 3.4 – Intensidade média do vento em Fortaleza por mês. (Dados obtidos através do INMET, período: 1981 -
2010).

Fortaleza encontra-se na zona bioclimática 8 (ZB8). Os percentuais de hora correspondente às

estratégias contidas na carta bioclimática (NBR 15220) estão identificados na Figura 3.5, cujos
detalhes acerca de cada zoneamento foram apresentados anteriormente na secção 2.4. De julho a
outubro, com média de 15 % de horas para cada um desses meses dentro da Zona de conforto
térmico (Zona E), Fortaleza mantém-se com a temperatura entre 18 °C e 29 °C e com a humidade
relativa entre 20 % e 80 %. De abril a julho, devido à alta humidade, deve ser encarada
estrategicamente como zona de desumidificação e renovação de ar (Zona F) para a busca do
conforto no ambiente interno da habitação.

A maior parte da condição de conforto da cidade, localizada nas Zonas I + J, deve ser alcançada
a partir de estratégias de ventilação, como a ventilação cruzada, já que durante esse período a
temperatura encontra-se acima de 29 °C e/ou humidade relativa superior a 80 %. Essa estratégia
permitirá resfriar o ambiente interno, à medida que a temperatura exterior mantém-se inferior à
interior.

100
 Figura 3.5 – Percentual de hora correspondente a cada estratégia bioclimática para Fortaleza (adaptado de Petalas,
2015).

Fortaleza é um município cuja vulnerabilidade social, económica e climática apresenta um difícil

desafio no que tange à habitação social aos planejadores e projetistas. Por tratar-se da cidade com
maior densidade habitacional do país (com 7 786,52 de habitantes por km2) esse problema torna-
se mais complexo, uma vez que impõe mais limites de crescimento habitacional, em muitos casos
somente através da verticalidade (Figura 3.6). Além disso, algumas estratégias para conforto,
como a ventilação cruzada, podem ser comprometidas por falta de aberturas adequadas.

Por outro lado, de acordo com o IPCC, há dois cenários para tendências de mudanças climáticas
em Fortaleza. São apresentados o cenário mediano (RCP 4.5) 4 e cenário alto (RCP 8.5), ao longo
dos períodos de 2035-2045 e 2071-2100 a partir dos parâmetros de temperatura e precipitação,
comparados ao período de tempo de 1981-2010. Esses cenários apresentam incertezas quanto às
emissões de carbono na atmosfera, às bases de cálculo do modelo climático e seus prognósticos,
e flutuações naturais do clima. As incertezas dos cenários de emissões, por exemplo, aumentam
de acordo com o prazo de projeções, sobretudo a partir de 2050. Por outro lado, a incerteza da
variabilidade natural deve permanecer constante ao longo do tempo.

4 Representation concentration pathway, ou vias de concentração representativa em livre tradução, (RCP) referem-se
cenários relativos à concentração de gás de efeito estufa, em partes por milímetro por volume (ppmv) ao longo dos
anos, adotado pelo IPCC. Entre eles há quatro cenários (RCP2.6, RCP4.5, RCP6.0 e RCP8.5), dos quais o mediano é
o RCP4.5 e o alto é o RCP8.5.

101
 Figura 3.6 – Imagem aérea do Bairro Pirambu, em Fortaleza, e seu adensamento habitacional característico
(Fontenele, 2021).

De acordo com o Quadro 3.1 observa-se que comparado ao período entre 2005-2015, ao período
entre 2035 e 2045 há um aumento de temperatura média de 0.69° C para RCP 4.5 e 0.86° C para
RCP 8.5. Por outro lado, entre 2071 e 2100 há um aumento de 1,28° C para RCP 4.5, enquanto
para RCP 8.5 a diferença é de 2.76° C, o que equivale a 4.9 % e 10.5 % respetivamente. Ao
considerar a incerteza da variabilidade natural e dos valores da temperatura média em Fortaleza,
a maioria dos modelos demonstram que o aumento significativo da temperatura média deverá
ocorrer (Fortaleza, 2020).

Quadro 3.1 – Temperatura média em Fortaleza a partir dos cenários RCP4.5 e RCP8.5 entre os períodos de 2035-
2045 e 2071 e 2100 (Adaptado de Fortaleza, 2020).

2005-2015 2035-2045 2071-2100

RCP 4.5
Temperatura média (°C) 26,41 27,09 27,68
Diferença em relação a °C - 0,69 1,28
2015 % - 2,6 4,9

RCP 8.5
Temperatura média (°C) 26,38 27,24 29,14
Diferença em relação a °C - 0,86 2,76
2015 % - 3,3 10,5

102
Os resultados desses estudos reforçam a necessidade de compreender os seus impactos na escala
da habitação e do usuário. Esses efeitos devem ser medidos a nível de conforto e, por conseguinte,
de demanda energética, já que quanto maior o desconforto, maior a necessidade por resfriamento
mecânico, como no caso de Fortaleza. De acordo com a caracterização habitacional pode-se
perceber que os projetos de arquitetura social não respondem a essas questões, o que torna
emergente

3.2 Plano de Trabalhos

O plano de trabalhos constitui-se de quatro etapas: (1) monitoramento e simulação uma unidade
habitacional de referência, (2) geração e evolução do modelo, (3) desenvolvimento da abordagem
de aprendizagem automática, (4) validação da abordagem computacional. Cada etapa deverá ser
composta por um conjunto de tarefas específicas, contendo suas definições, seus objetivos e a
relação entre seus resultados e a etapa seguinte. Além disso, serão apresentados os prazos para
cada tarefa e uma avaliação dos riscos contidos em cada etapa do trabalho.

Etapa 1 – Monitoramento e simulação uma unidade habitacional de referência

Nesta etapa estão contidas as seguintes tarefas: (1.1) seleção de uma unidade habitacional, (1.2)
levantamento da unidade habitacional e (1.3) simulação de desempenho térmico da unidade
habitacional. Nelas serão concentradas as atividades que fornecerão dados necessários para a
simulação térmica e energética do modelo, o qual deverá ser calibrado a fim de ser utilizado de
forma confiável na etapa seguinte: geração e evolução do modelo. Quanto aos resultados desta
etapa, espera-se a elaboração de um artigo para apresentação em congresso.

Tarefa 1.1 – Seleção de uma unidade habitacional

A unidade habitacional deverá ser previamente identificada pelo autor de acordo com os seguintes
critérios: (i) tipologia que esteja de acordo com estudos de evolução habitacional em Fortaleza
(Mororó, 2012); (ii) habitação social unifamiliar que não tenha sofrido alterações construtivas; e
(iii) sistema construtivo de acordo com os que estão estabelecidos na NBR 15575. Para além
destas características, a seleção da unidade estará condicionada por esta (a) possuir WiFi que
permita o descarregar dos dados para um servidor e verificação remota dos dados e (b)
disponibilidade dos moradores em fornecer informações para a investigação.

103
De acordo com essas condições, espera-se que seja escolhida uma tipologia similar às registadas
em análise auxiliada por gramática da forma em Fortaleza (Mororó, 2012), que ajudará a simular
o seu crescimento. Além disso, espera-se que o sistema construtivo esteja de acordo com as
normas para habitações sociais no Brasil e que não tenha passado por processos evolutivos, uma
vez que o modelo base para este trabalho é o embrião. A partir dele deverá ser possível simular
dinamicamente o modelo e compará-lo com os resultados da monitorização da unidade
habitacional escolhida.

Tarefa 1.2 – Levantamento da unidade habitacional

A análise térmica e energética da unidade habitacional será desenvolvida a partir do auxílio de

sensores adequadamente alocados em divisões de permanência prolongada de uma residência
unifamiliar em Fortaleza por um período mínimo de três meses. Além disso, o levantamento do
sistema construtivo, da geometria, das características técnicas e de operação de equipamentos e
iluminação e, finalmente, dos perfis de ocupação será realizado. Esses dados serão coletados com
a colaboração de estudantes do curso de arquitetura do Centro Universitário INTA.

Monitoramento será feito com quatro sensores pré-calibrados HOBO com Data Loggers, marca
Onset Computer Corporation, modelo UX100-011, posicionados de preferência no centro
geométrico de cada divisão a uma altura aproximada de um metro. Esses sensores registarão a
temperatura do ar e humidade relativa com uma resolução horária. Estes instrumentos estarão
ligados à rede de internet via WiFi para acompanhar a evolução do registo de dados e backup dos
dados em servidor. O resultado desta tarefa fornecerá dados para que seja possível calibrar os
modelos de simulação energética de edifícios.

Tarefa 1.3 – Simulação de desempenho térmico e energético da unidade habitacional

Esta tarefa simulará o desempenho térmico e energético da unidade habitacional utilizando o

programa EnergyPlus. O modelo multi-zona levará em conta (i) os dados meteorológicos locais,
(ii) a geometria da edificação; (iii) a construção e características termofísicas dos materiais; (iv)
os sistemas de aquecimento, ventilação e ar-condicionado (AVAC); e (v) os ganhos internos
resultantes dos equipamentos, iluminação e perfis de ocupação. Outros aspetos da modelação
serão assumidos, tais como infiltração e ventilação natural, de acordo com os valores utilizados
na literatura científica.

A calibração do modelo será feita recorrendo aos dados de monitorização e levantamento da tarefa
anterior. Esta tarefa tem como objetivo conferir maior confiabilidade ao modelo a partir da
minimização dos erros entre os dados medidos e os simulados (Roberti, Oberegger, & Gasparella,

104
2015). A partir de análise dos principais parâmetros estatísticos (Bertagnolio & André, 2010)
como o desvio médio, o erro médio quadrático e o coeficiente de variação do erro médio
quadrático da temperatura do ar e consumos de energia será calibrado o modelo.

Etapa 2: Geração e evolução do modelo

Esta etapa consiste no seguinte conjunto de tarefas: (2.1) geração de base de dados das unidades
habitacionais no tempo corrente, (2.2) geração de base de dados das unidades habitacionais no
tempo futuro, (2.3) criação de base de dados do comportamento térmico das unidades
habitacionais. A partir deste conjunto de tarefas espera-se criar amostras tanto do embrião quanto
da evolução de unidades habitacionais, e seus respetivos comportamentos térmicos, de acordo
com o modelo levantado na Etapa 1. Portanto, esta etapa será responsável por fornecer amostras
sintéticas para a Etapa 3, na qual será útil para o treinamento e para os testes do novo modelo
computacional. A partir dos resultados desta etapa espera-se uma publicação em uma revista
científica.

Tarefa 2.1 – Geração de base de dados das unidades habitacionais no tempo corrente

A geração do embrião consiste na criação de UHs, com arranjo de soluções possíveis de projeto,
que possam ser analisadas e avaliadas nas tarefas subsequentes desta etapa. Essas novas unidades
geradas neste trabalho terão duas fases: o embrião e a evolução (ver Tarefa 2.2). O embrião será
criado a partir de constrangimentos identificados em normas brasileiras, como a NBR 15575 e a
NBR 15220, definidas na secção 3.3 . Nele, estão contidos requisitos como o padrão de ocupação
e ventilação, para as cargas internas de equipamentos, para a temperatura do solo dos modelos,
para o sistema de ventilação natural para o sistema de condicionamento de ar, para o sistema
construtivo e propriedades térmicas, para geração de edifícios do tipo PMCMV.

A geração das amostras sintéticas5 ocorrerá com o apoio de algoritmos evolutivos, os quais se
utilizarão dos requisitos e constrangimentos mencionados para a geração arranjos de plantas com
soluções espaciais possíveis para o problema. Para isso o algoritmo utilizado será o Evolutionary
Program for the Space Allocation Problem (EPSAP) (Rodrigues, Fernandes, Gomes, Gaspar, &
Costa, 2019), o qual possibilita arranjos de espaços alternativos de acordo com os requisitos e
preferências do usuário. A partir dela é possível buscar layouts cujos dimensionamentos
respondam a requisitos como as estratégias para habitação social evolutiva (Brandão & Heineck,
2003; Digiacomo, 2004; Logsdon, 2019) e dimensionamentos mínimos recomendados para

5 Os dados sintéticos são aqueles que não foram coletados a partir de dados reais, embora tenham sido modelados a
partir de calibração e regras de geração da forma (gramática da forma) reais.

105
habitação social (J. J. Boueri et al., 2012; Buzzar & Fabrício, 2007). Além disso, a ferramenta
poderá classificar os resultados térmico e energético das plantas em consonância com normas
nacionais e internacionais de desempenho.

O resultado da Tarefa 2.1 será a primeira parte da criação de uma base de dados sintética para o
treinamento da rede RIBE. Esta tarefa, portanto, será complementada por tarefas como a evolução
do embrião e a simulação dinâmica das amostras geradas.

Tarefa 2.2 – Geração de base de dados das unidades habitacionais no tempo futuro

O crescimento adaptativo das unidades ocorrerá a partir padrões evolutivos identificados em

habitações unifamiliares em Fortaleza (Mororó, 2012). Esses padrões de crescimento habitacional
verificados no bairro denominado Planalto PICI consideram a mudança dos hábitos das famílias
ao longo do tempo, o que levaram às alterações espaciais. Os registos foram feitos com o auxílio
da gramática da forma, que explicita algumas regras de crescimento que ocorreram devido ao
constrangimento comum à maior parte das residências do local, bem como aos hábitos comuns a
um determinado segmento social e económico identificado na região.

A avaliação da evolução ocorrerá na medida em que cada unidade habitacional consolidada

resultante da evolução do embrião tiver em suas regras constrangimentos que respeitem aos
requisitos mínimos analisados na literatura como apresentadas na Tarefa 2.1, correspondentes a
habitação social evolutiva e dimensionamentos mínimos para habitação social.

Tarefa 2.3 – Criação de base de dados do comportamento térmico das unidades

habitacionais

Nesta tarefa os edifícios gerados nas duas tarefas anteriores serão simulados para determinar o
seu comportamento térmico e energético. No caso do base de dados do tempo corrente, as
unidades habitacionais serão simuladas com os dados climáticos típicos (typical meteorological
year – TMY) para um período entre 1985 e 2018. No caso do base de dados do tempo futuro, os
mesmos dados climáticos típicos serão estatisticamente transformados (utilizando um método de
deltas) para serem semelhantes aos indicadores estatísticos das projeções futuras de um dos
modelos CMIP6 (base do último relatório do IPCC de 2022). Serão simulados os cenários SSP5-
8.5 para a período de 2036 a 2065. Para tal, será utilizado o software Future Weather Generator
(Rodrigues, Carvalho, & Fernandes, 2022).

106
As bases de dados produzidas nestas três tarefas serão utilizadas no treino e teste do modelo
computacional a desenvolver nas etapas seguintes.

Etapa 3: Desenvolvimento da abordagem de aprendizagem automática

Nesta etapa estão contidas as seguintes tarefas: (3.1) levantamento bibliográfico do método, (3.2)
desenvolvimento de aprendizagem automática de habitação evolutiva/adaptativa, (3.3)
implementação de pós-processamento, (3.4) testes e benchmarking, e (3.5) desenvolvimento de
mecanismo para correspondência e recuperação de imagem. O objetivo principal desse conjunto
de atividades será desenvolver uma abordagem computacional que permita prever a evolução da
unidade habitacional e o seu desempenho térmico e energético futuro.

Os dados utilizados nesta etapa deverão ser gerados na Etapa 3, ao passo que a validação do
conjunto dessas tarefas será feita na Etapa 4. De posse dos resultados, esta etapa será base para a
elaboração de um artigo para uma revista científica.

Tarefa 3.1 – Levantamento bibliográfico do método

O levantamento bibliográfico deverá ser feito a partir de uma revisão sistemática da literatura
correspondente ao método aplicado nesta tese. O objetivo testa tarefa deverá ser a tomada de
quanto à escolha do método que melhor responde aos problemas levantados nesta investigação.
Para isso, deverão ser analisadas diferentes aplicações de redes em projetos de arquitetura e que
estejam publicados em base de dados como Scopus, Web of Science, Google Scholar e Science
Direct. Além da tomada de decisão para a abordagem computacional desenvolvida na tese, o o
resultado do levantamento bibliográfico deverá ser publicado em uma revista científica.

Tarefa 3.2 – Desenvolvimento de aprendizagem automática de habitação

evolutiva/adaptativo

Nesta tarefa será desenvolvido um modelo computacional para o mapeamento entre os esboços
das unidades habitacionais e as suas imagens de plantas técnicas. Este modelo terá por base o
CycleGAN e será responsável por uma mudança de domínio, isto é, as imagens deverão ser
convertidas em esboços e os esboços em imagens. Esse processo será necessário, uma vez que
CycleGAN é uma especificidade de GAN, que não necessita de pares idênticos de imagens em
situações distintas para produzir uma síntese de ambas. Um exemplo disso é transformar uma
imagem do dia em noite. Em CycleGAN, diferentemente de outras abordagens GAN, não há
necessidade de ter pares idênticos de imagens de dia e de noite. Por isso, distintas amostras como

107
as imagens de plantas e esboços de plantas, podem ensinar a rede a gerar esboços a partir de
imagens sem necessariamente ambos sejam pares derivados de um mesmo contexto.

Será desenvolvida uma rede convolucional como mecanismo de consulta de dados composto por
imagens e esboços. O objetivo desta tarefa consiste na rotulação de amostras para um aprendizado
supervisionado, cujas diferentes amostras (esboços e imagens) devem ser categorizadas para que
a máquina consiga prever os resultados em uma saída discreta. Presume-se assim compreender
aspetos sintáticos e semânticos implícitos e explícitos contidos nas amostras de entrada. A partir
de então, a rede será capaz de compreender a distribuição dos dados e que tenha habilidade
suficiente para gerar exemplares plausíveis de acordo com a distribuição contida na entrada de
dados. Além disso, esta tarefa deverá mapear amostras de esboços e imagens.

Para esta tarefa deverá ser utilizada a linguagem Python juntamente com a biblioteca de código
aberto para aprendizado de máquina TensorFlow. Além disso, para integrar o modelo de
desempenho com RIBE será testado o modelo baseado em CNN e GAN: REXplore (Sharma et
al., 2019b). A escolha ocorrerá devido à disponibilidade da base de dados de imagens e de esboço
de plantas, os quais serão base para o treinamento da rede (Sharma & Chattopadhyay, 2017). A
relevância de manter a linguagem Python decorre da necessidade de manter a maior parte do fluxo
de trabalho na mesma plataforma, o que permitirá uma maior integração entre os processos das
etapas do trabalho.

Na Figura 3.7 é apresentado um diagrama que detalha os principais passos para a criação de
esboços a partir do método CycleGAN (Sharma et al., 2019b). Em seguida, o pós-processamento
da imagem e a utilização da rede convolucional para treinar a rede e consultar o resultado da
comparação entre a imagem da planta e o seu esboço equivalente. Após a consulta do esboço os
resultados da recuperação de imagem podem ser classificados de acordo com o grau de
correspondência entre a base de dados da imagem e a do esboço. Portanto, o fluxo de trabalho
apresentado corresponde a uma referência relevante na construção do modelo computacional
desta tese.

108
Figura 3.7 – Treinamento e teste da rede para RIBE a partir da base de dados ROBIN (adaptado de Sharma et al.,
2019b).

Em suma, o fluxo de dados da entrada à saída seguirá os seguintes caminhos nesta tese:
primeiramente haverá o desenvolvimento do esboço feito em um tablet Figura 3.8. As saídas,
enquanto soluções para o problema, deverão ser o embrião avaliado térmica, energética e
espacialmente de acordo com suas condições em contextos atuais. A segunda saída será a
evolução, que apresentará o pavimento térreo e o superior, ambos avaliados térmica, energética e
espacialmente em 30 anos futuros.

Figura 3.8 – Fluxo de dados de entrada e saída da rede RIBE.

Tarefa 3.3 – Implementação de pós-processamento

Nesta tarefa será implementado o pós-processamento da imagem gerada para depurá-la. Embora
as sínteses produzidas pelo CycleGAN possam alcançar um grau de acuidade aceitável, o pós-
processamento deverá melhorar a qualidade dos esboços gerados, como redução de ruídos ou

109
preenchimento de segmentos incompletos. Para isso, operações com filtros ou mesmo utilização
de codificador automático6 para geração de imagens com maior qualidade podem ser úteis. Um
exemplo é o codificador automático variacional, que também pode ser aplicado em Python,
juntamente com a biblioteca TensorFlow, cujas variadas tarefas de processamento de imagens
podem ser feitas para a melhoria dos resultados dos esboços gerados.

O objetivo desta tarefa é de complementar a etapa de treinamento e de teste da rede a partir do

processamento de imagens, o qual tem o propósito de melhoramento da imagem ou mesmo
diversificação destas para treinamento da rede.

Tarefa 3.4 – Desenvolvimento de mecanismo para correspondência, recuperação e

vectorização de imagem

Após o pós-processamento, a tarefa seguinte será a utilização da base de dados geradas na Etapa 2
para a correspondência e recuperação de imagens. Esse conjunto de dados permitirá fazer a
correspondência entre o esboço e uma imagem da planta técnica avaliada. A base de dados do
embrião recuperado também deverá apresentar todos os possíveis resultados de sua evolução e
suas respetivas avaliações de desempenho. Para avaliar a correspondência entre imagem gerada e
o esboço da consulta podem ser utilizadas três diferentes métricas de distâncias, como a distância
euclidiana, distância de Manhattan, ou distância cosseno, cujo cálculos podem ser incrementados
ao modelo.

O objetivo da vectorização é converter imagem raster (bitmap) em desenho vetorial a partir de

primitivas geométricas (linhas, curvas e polígonos) a fim de serem utilizadas em ferramentas de
computação gráfica do tipo CAD para manipulação de dados ou geração de modelos 3D. Para
isso, o processo pode ser desenvolvido através de redes convolucionais para extração de contornos
da imagem. De forma complementar, poderá ser utilizada a programação inteira (C. Liu, Wu,
Kohli, & Furukawa, 2017) para fechamento dos vetores ou mesmo utilização de redes
convolucionais multitarefas (Kalervo, Ylioinas, Häikiö, Karhu, & Kannala, 2019) para um
possível processo integrado, que inclui o pós-processamento. Ambos os casos podem ser feitos
de forma integrada com o método CNN-GAN já utilizado em tarefas anteriores. Portanto, a
aplicação deverá ser realizada dentro do ambiente Python e biblioteca Tensorflow.

Será o objetivo desta tarefa a correspondência entre o esboço da entrada e as imagens geradas,
enquanto plantas avaliadas térmica e energeticamente, além do seu processo evolutivo e de

6 Assim como GAN, o codificador automático também é um algoritmo de modelo generativo para aprendizagem
profunda. Contudo, trata-se de uma técnica de aprendizagem não supervisionada, cujas finalidades comuns são para
redução de ruídos e de dimensionalidade. O treinamento desse tipo de rede possibilita a preservação do máximo de
informação possível a partir de exemplos de dados.

110
vectorização. Portanto, o resultado deverá ser uma resposta preditiva aos esboços de plantas a
partir de imagens de plantas técnicas com avaliações de desempenho a partir de diferentes arranjos
evolutivos. A partir desse resultado, espera-se desenvolver artigos para publicações em revistas
especializadas e congressos.

Tarefa 3.5 – Testes e benchmarking

Para o desenvolvimento dos testes deve-se dividir a disponibilidade de dados em três partes:
treinamento, validação e testes (Yamashita, Nishio, Do, & Togashi, 2018). O primeiro deve
reservar o conjunto de dados para treinar a rede, isto é, o processo do aprendizado da máquina. O
conjunto para validação será utilizado para monitorar o desempenho do modelo ao longo do
processo de treinamento. O conjunto de dados para teste é geralmente utilizado somente uma vez
para avaliar o desempenho do modelo final, que deverá passar por ajustes ao longo dos processos
de treinamento e ajustes. Por fim a acurácia dos resultados do modelo deverá ser avaliada a partir
de diferentes métricas e comparada com outros modelos dentro de uma mesma categoria de
métodos e tarefas de redes convolucionais.

O objetivo desta tarefa será vetorizar as imagens geradas, conferir ao modelo um grau admissível
de acurácia, além de comparar as suas características com os demais métodos com finalidades
similares e disponíveis para consulta.

Etapa 4: Validação da abordagem computacional

Nesta última etapa serão apresentadas as seguintes tarefas: (4.1) aplicação a um caso de estudo,
(4.2) elaboração de um workshop, (4.3) conclusão da elaboração do modelo e da metodologia. O
objetivo desta etapa é validar o método a partir de uma aplicação em sala de aula de forma que a
funcionalidade da aplicação seja testada e eventuais falhas possam ser percebidas e corrigidas
antes da conclusão de todo o processo. Em seguida, através de um processo iterativo entre a testes
em sala e correções, o processo será finalizado quando a avaliação do método for considerada
adequada pelos estudantes. Como resultado a atualização de toda a metodologia, a redação final
da tese e a publicação de um artigo em uma revista científica.

Tarefa 4.1 – Aplicação a um caso de estudo

O caso de estudo será feito a partir de uma aplicação do modelo na cidade de Fortaleza. O objetivo
desta tarefa será a verificação do comportamento da ferramenta: desafios e barreiras no
desempenho prático. Para isso, deverá ser escolhida uma região da cidade e componentes
construtivos como cujos requisitos cumpram os que foram apresentados na Etapa 2. Além disso,

111
caso haja necessidade, alguns incrementos no modelo poderão ser realizados para que se adequem
às condições de observadas ao longo da aplicação. Para isso, o resultado será avaliado a partir de
formulários qualitativos que indiquem o grau de satisfação com cada etapa executada. Nela,
questões como usabilidade, proximidade entre o esboço de entrada e a imagem de saída, além de
grau de satisfação quanto ao atendimento às normas de desempenho térmico e energético, serão
avaliados.

Esta tarefa terá como propósito de produzir uma avaliação preliminar do modelo para correções
de falhas e melhorias na usabilidade e desempenho das plantas geradas. Portanto, como essa
avaliação é um processo iterativo até que os requisitos mínimos de qualidade normativa
(quantitativos) e gráfica (qualitativos) sejam alcançadas.

Tarefa 4.2 – Elaboração de um workshop

A validação será feita a partir da participação de estudantes do curso de Arquitetura e Urbanismo

do Centro Universitário Inta (UNINTA), na disciplina de Conforto Térmico, a qual utiliza
diferentes zonas bioclimáticas como base de estudo, incluindo a ZB8, onde se encontra Fortaleza.
Essa avaliação consistirá na disponibilidade de tablets sobre os quais poderão ser feitos os
esboços. Esses esboços terão resposta da RIBE. Em seguida, o estudante avaliará o grau de
aproximação entre o esboço feito e o resultado técnico entregue pela rede.

A partir de uma oficina realizada nas dependências de um centro universitário, os estudantes terão
acesso a tablets onde deverão realizar esboços de projeto para habitação social evolutiva. Para
isso, a base de dados estará contida em um repositório virtual, obtido através de acesso à internet.
Portanto, o input será um esboço de uma planta e o output será uma planta técnica, com seus
possíveis arranjos evolutivos, isto é, crescimentos planeados e avaliados térmica e
energeticamente.

O propósito desta tarefa será validar o processo a partir da utilização de estudantes do curso de
arquitetura para que, a partir das experiências, seja possível avaliar possíveis falhas ou mesmo
algumas percepções não pensadas ainda para o modelo.

Tarefa 4.3 – Conclusão da elaboração do modelo e da metodologia

Após a validação do modelo, outro produto deste trabalho será a elaboração de metodologia de
apoio ao projeto de arquitetura de habitações evolutivas adaptadas à zona bioclimática 8. Este
processo consistirá em uma sistematização do processo, uma generalização do método aplicado

112
à cidade de Fortaleza, e a redação descritiva e analítica de todas as etapas com seus respetivos
resultados, necessárias para o desenvolvimento do modelo.

Os resultados desta etapa serão utilizados para publicações em revistas e congressos. O conjunto
de dados e o código decorrente de todas as etapas também deverão ser disponibilizados em um
site acessível publicamente.

O Quadro 3.2 sumariza as etapas e tarefas do plano de trabalhos.

Quadro 3.2 – Etapas, processos e tarefas da integração entre modelos de desempenho e RIBE.

Etapas Processos Tarefas

Tarefa 1.1: seleção de uma unidade habitacional

Etapa 1:
Selecionar,
Monitoramento e
levantar e
simulação de uma
simular a Tarefa 1.2: levantamento da unidade habitacional
unidade
unidade
habitacional de
habitacional
referência Tarefa 1.3: simulação de desempenho térmico e energético
da unidade habitacional

Tarefa 2.1: geração da base de dados das unidades

habitacionais no tempo corrente
Gramática da
Etapa 2: Geração
forma e Tarefa 2.2: geração das unidades habitacionais no tempo
e evolução do
algoritmo futuro
modelo
generativo
Tarefa 2.3: criação da base de dados do comportamento
térmico das unidades habitacionais

Tarefa 3.1: Levantamento bibliográfico do método

Tarefa 3.2: desenvolvimento de aprendizagem automática
de habitação evolutiva/adaptativa
Etapa 3:
Desenvolvimento Tarefa 3.3: implementação de pós-processamento
Rede CNN e
da abordagem de
GAN
aprendizagem Tarefa 3.4: Testes e benchmarking
automática
Tarefa 3.5: desenvolvimento de mecanismo para
correspondência, recuperação e vectorização de imagem

Caso de estudo Tarefa 4.1: aplicação a um caso de estudo

Etapa 4:
Validação da
Workshop Tarefa 4.2: elaboração de um workshop
abordagem
computacional
Tarefa 4.3: conclusão da elaboração do modelo e da
Metodologia
metodologia

113
Na Figura 3.9 seguem as etapas, suas respetivas tarefas e a relação entre todas as atividades e
seus resultados, que culminarão com uma proposta de uma rede a partir da recuperação de imagem
baseada em esboço (RIBE) e a metodologia do processo.

Figura 3.9 – Etapas metodológicas do caso de estudo.

Marcos, trabalhos em desenvolvimento e concluídos

Os marcos do trabalho consistem nos pontos críticos identificados nas tarefas, isto é, sem os quais
as atividades subsequentes serão inviabilizadas. Destacam-se três principais marcos: (1.2)
levantamento da unidade habitacional, (3.2) desenvolvimento de aprendizagem automática de
habitação evolutiva/adaptativa e (4.1) aplicação a um caso de estudo (Quadro 3.3). A Tarefa 1.2
é destacada pela importância da obtenção dos dados da habitação de referência para a simulação,
uma vez que a partir dos dados da realidade é que será possível calibrar o modelo. A Tarefa 3.2
terá um papel relevante na medida em que será o desenvolvimento do artefacto que buscará
responder às questões levantadas pela tese. Por fim, a Tarefa 4.1 será responsável pela validação
do modelo através da sua aplicação em um estudo de caso.

No Quadro 3.3 também são apresentados os períodos em que as tarefas “Em desenvolvimento” e
designadas como “Concluído” ocorrerão. Destaca-se na Tarefa 1.2 o período de, no mínimo 3
meses, para a obtenção dos dados climáticos e energéticos para a calibração do modelo. Assim,

114
das Tarefas 2.1 e 2.2 (três meses de preparo para cada uma das atividades) serão dedicados estudos
que antecedem a previsão da aquisição dos dados da Tarefa 1.3 em maio de 2023, como análise
da ferramenta e exercícios preparatórios para os dados reais. Para a Tarefa 2.3 foram dedicados
dois meses de preparo de modo que em julho de 2023 seja concluída a Etapa 2.

Ainda referente às Tarefas 2.1 e 2.2 evidencia-se um trabalho desenvolvido (Parente, Rodrigues,
Fernandes, Rangel, & Poças Martins, 2019) (Anexo 1), no qual foram geradas modelos sintéticos
de acordo com soluções espaciais e requisitos baseados no PMCMV e normas brasileiras de
desempenho. Concluiu-se com o trabalho que há grande quantidade de tempo em que os
moradores são expostos ao desconforto do calor dentro dessas habitações, embora, de acordo com
as normas, essas residências estejam classificadas como adequadas. Além do artigo para
apresentação em congresso destacado, o autor deste trabalho encontra-se como colaborador no
projeto CLING, a partir do qual foi criada a ferramenta Future Weather Generator (Rodrigues et
al., 2022) e com o qual planeja-se desenvolver aplicações em diferentes zonas bioclimáticas
brasileiras, incluindo a ZB8, onde se localiza Fortaleza: caso de estudo para esta tese.

Na Etapa 3, a Tarefa 3.1 apresenta-se como a única concluída. Com resultado desta tarefa (Anexo
2) foi desenvolvida uma revisão sistemática de métodos e base de dados de redes neuronais, como
CNN e GAN, aplicadas ao projeto. Foram elaboradas duas questões: 1) como estão os últimos
avanços em aprendizagem profunda em projeto da construção? 2) quais os principais desafios e
barreiras nessa integração. O artigo, desenvolvido a partir da análise de 429 publicações, traça um
panorama de diferentes aplicações de CNN e GAN em diferentes representações de projeto, como
vista aérea, planta baixa, cena interna 3D e fachada. Conclui-se com o trabalho que se trata de um
campo crescente em aplicações em projeto, o que reflete o interesse cada vez maior por tarefas de
visão computacional e computação gráfica associadas à aprendizagem profunda e projeto da
construção. Além disso, foi verificado um potencial de integração entre essas tarefas, outrora
restritas ao campo da visão computacional, embora haja limitações no processo de automação, o
que se torna uma barreira para não-especialistas na computação, como arquitetos e projetistas.

A partir da revisão bibliográfica levantada foi possível comparar diferentes funções de variados
métodos e verificar quais deles melhor respondiam à questão principal levantada nesta tese:
“como requisitos bioclimáticos podem ser integrados ao projeto de habitação social evolutiva para
30 anos a frente?”.

Por fim, experiências práticas como levantamento térmico da habitação, simulação térmica, além
de processamento dos dados, foram feitas nas disciplinas do doutoramento, a partir das quais foi
estruturado o plano de trabalhos desta tese.

115
Calendarização

A calendarização do plano de trabalhos é apresentada no Gráfico de Gantt (Quadro 3.3).

Quadro 3.3 – Estimativa de meses para tarefas por etapas.

Duração
Tarefa Progresso Início Fim jan/23 fev/23 mar/23 abr/23 mai/23 jun/23 jul/23 ago/23 set/23 out/23 nov/23 dez/23 jan/24 fev/24 mar/24
(meses)
Etapa 1 Monitoramento e simulação de uma
unidade habitacional de referência
1.1 2 0% jan/23 fev/23
1.2 4 0% fev/23 mai/23
1.3 2 0% mai/23 jun/23
Etapa 2 Geração e evolução do modelo
2.1 4 0% jan/23 jul/23
2.2 4 0% Mar/23 jul/23
2.3 3 0% mai/23 jul/23
Etapa 3 Desenvolvimento da abordagem de
aprendizagem automática
3.1 0 100% jan/23 jan/23
3.2 3 0% jul/23 set/23
3.3 2 0% set/23 out/23
3.4 2 0% out/23 nov/23
3.5 2 0% nov/23 dez/23
Etapa 4 Validação da abordagem computacional
4.1 3 0% dez/23 fev/24
4.2 2 0% jan/24 fev/24
4.3 2 0% fev/24 mar/24

Legenda

Em desenvolvimento
Concluído
Marco

116
Tabela de riscos
O Quadro 3.4 apresenta as tarefas das etapas e seus respetivos riscos. São classificados também
os níveis desses riscos e as possíveis respostas. A partir dessa análise é possível observar os
pontos críticos e as estratégias para resolver, mitigar ou ignorar os riscos de acordo com o grau
de impacto que estiver associado a eles.
Quadro 3.4 – Tabela de riscos, com níveis, impacto e resposta.
Tarefas
Riscos
das Etapas
Não identificar residência
com os critérios
1.1
estabelecidos pela Tarefa
1.1 no bairro indicado
Não disponibilidade dos
estudantes na identificação
da residência e verificação
de sua disponibilidade
Não disponibilidade dos
moradores para a
participação
Impossibilidade do
levantamento geométrico e
construtivo da residência
por razões técnicas ou por
não permissão dos
1.2
moradores
Não disponibilidade de
sensores por parte da
universidade
Não disponibilidade dos
estudantes para o
levantamento geométrico
construtivo, além da
locação dos sensores
Inexistência de WiFi na
casa
Incompatibilidade entre
padrões evolutivos da
2.2
literatura e a habitação de
referência
Não adaptação dos dados
térmicos e energéticos ao
2.3 formato de imagem, que
deve ser lido pela rede
convolucional
Baixo grau de acurácia ou
3.5
overfitting
Níveis dos riscos
Impacto Resposta
Baixo Médio Alto
Buscar residências com
X Moderado caraterísticas similares
em bairros próximos
Contratar um
X Alto profissional arquiteto
para este fim
Buscar residências com
caraterísticas similares
X Alto
em bairros próximos e
indicações de moradores
Buscar plantas do
conjunto em uma
prefeitura. Ou estimar
X Moderado
medidas de acordo com
relatos, vizinhos ou
registos
Obter sensores a partir
X Baixo de financiamento
próprio
Contratar um
X Moderado profissional arquiteto
para este fim
Disponibilizar um
estudante ou profissional
X Moderado
para fazer aquisições
periódicas dos dados
Buscar residências com
características
X Moderado socioeconómicas e
tipológicas mais
aproximadas
Utilizar uma rede
complementar para a
X Baixo
leitura dos dados
térmicos e energéticos
Revisar literatura e
X Moderado refazer treinamentos e
testes
120

Baixa qualidade das
imagens geradas
Indisponibilidade da
4.2 instituição ou da disciplina
em aplicar o workshop
Revisar literatura sobre
X Moderado pós-processamento e
refazê-lo
Verificar
disponibilidade de outra
instituição cuja
X Alto disciplina de conforto,
do curso de arquitetura,
esteja disponível a
participar do processo

3.3 Detalhamento da construção do modelo

Para a simulação computacional, além da modelagem da geometria e parâmetros do envelope,

serão apresentadas as cargas internas, como ocupação, sistema de iluminação e equipamentos.
Além disso, parâmetros da ventilação natural serão apresentados de acordo com a NBR 15220
(ABNT, 2005). Todos esses parâmetros serão inseridos no programa EngergyPlus, o qual é
disponibilizado gratuitamente pelo departamento de energia e segurança nuclear dos EUA
(DOE) e mantida pela IBPSA USA Association. Os principais recursos do EnergyPlus advêm
de programas anteriores, como o DOE-2 e do BLAST, e tem como função a análise de energia
e simulação de carga térmica de edificações e de seus sistemas (U.S. Department of Energy,
2018). Além disso, O EnergyPlus é uma ferramenta validada pela ANSI/ASHRAE Standart
140-2011 para cálculo do consumo energético de edificações (U.S. Department of Energy,
2015). A modelagem será desenvolvida para UH ventilada naturalmente e condicionada
artificialmente. Para isso, foram adotados parâmetros e requisitos da RTQ-R (Brasil, 2012),
detalhado na secção 2.5.1.3.

A modelagem no EnergyPlus deve ser feita a partir de zonas térmicas, as quais correspondem
a cada um dos ambientes definidos para a UH, além da cobertura. Os cálculos do indicador de
graus-hora no EnergyPlus para resfriamento nessas zonas são feitos a partir das temperaturas
operativas para a UH ventilada naturalmente e para o consumo necessário para resfriamento
dos ambientes. A temperatura base utilizada para os graus-hora de resfriamento é de 26° C, de
acordo com a RTQ-R (Brasil, 2012).

Ficheiro climático

Para a preparação dos ficheiros climáticos serão utilizados os cenários previstos para mudanças
do clima conforme o IPCC. A ferramenta utilizada para a geração desses ficheiros é o
CCWorldWeatherGen (Jentsch et al., 2013) que permite a geração de dados climáticos para
simulação a partir de ficheiros EPW disponíveis. O arquivo disponível para Fortaleza foi obtido
no site do LabEEE (LabEEE, 2020) e encontra-se no formato Test Reference Year (TRY) que

121
consiste em dados climáticos horários, com informações climáticas de 8760 horas do ano. Esse
ficheiro elimina temperaturas médias extremas de meses de diferentes anos até que a
composição de um ano de referência seja constituída (Goulart, Lamberts, & Firmino, 1998). De
acordo com a recomendação para o uso da ferramenta, o ano correspondente a esses ficheiros
deve encontrar-se no período de 1961 a 1990.

Padrão de ocupação

Como a modelagem deve ser realizada para os ambientes de permanência prolongada, a

ocupação mínima por dormitórios é de duas pessoas por dormitórios, enquanto a sala deve ser
ocupada por todos os usuários dos dormitórios (Brasil, 2012). O padrão mínimo familiar deve
ser para um casal e dois filhos. Para definir o padrão de ocupação desses usuários deve-se
estabelecer padrão da ocupação diferente para a semana (Figura 3.10) em relação ao fim-de-
semana (Figura 3.11).

3
NÚMERO DE OCUPANTES

2
Quartos
Sala e Cozinha
1

0
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00

0:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00

HORÁRIOS

Figura 3.10 – Padrão de ocupação dos ambientes durante a semana (adaptado de Brasil, 2012).

122
 4

3
NÚMERO DE OCUPANTES

2
Quartos
Sala e Cozinha
1

0
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00

0:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
HORÁRIOS

Figura 3.11 – Padrão de ocupação dos ambientes durante o fim-de-semana (adaptado de Brasil, 2012).

Padrão do uso de iluminação

Assim como no padrão de ocupação dos ambientes, o padrão do uso de iluminação será obtido
a partir de ambientes de duração prolongada para a semana (Figura 3.12) e para o fim-de-
semana Figura 3.13. Com relação à potência instalada, para os quartos e sala foram dedicados
respetivamente 5 W/m2 e 6 W/m2 (Brasil, 2012).

4
NÚMERO DE AMBIENTES EM USO DA

3
ILUMINAÇÃO

2
Quartos
Sala e Cozinha

0
0:00
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00

14:00

19:00
10:00
11:00
12:00
13:00

15:00
16:00
17:00
18:00

20:00
21:00
22:00
23:00

HORÁRIOS

Figura 3.12 – Padrão de uso da iluminação durante a semana (adaptado de Brasil, 2012).

123
 4
NÚMERO DE AMBIENTES EM USO DA

3
ILUMINAÇÃO

2
Quartos
Sala e Cozinha
1

0
1:00
2:00
3:00
4:00
5:00
6:00
7:00
8:00
9:00

0:00
10:00
11:00
12:00
13:00
14:00
15:00
16:00
17:00
18:00
19:00
20:00
21:00
22:00
23:00
HORÁRIOS

Figura 3.13 – Padrão de uso da iluminação durante o fim-de-semana (adaptado de Brasil, 2012).

Cargas internas de equipamentos

De acordo com a especificação dada pelo RTQ-R (Brasil, 2012), as cargas internas de
equipamentos devem ser modeladas para a sala durante o período de 24h, cuja potência deverá
ser de 1.5 W/m2.

Temperatura do solo dos modelos

As UH que estiverem em contacto com o solo, as temperaturas médias do solo para cada mês
do ano devem ser calculadas, para cada clima simulado, de acordo com as temperaturas médias
internas e externas da edificação (Brasil, 2012). De acordo com o RTQ-R (Brasil, 2012), as
temperaturas do solo dos ficheiros climáticos não são recomendadas para simulações térmicas
e energéticas. Por essa razão, utiliza-se do programa Slab para vinculá-lo ao EnergyPlus. Em
um relatório técnico para simulações de acordo com o RTQ-R (Sorgato, 2011), determinou-se
para a zona bioclimática 8 as temperaturas para cada mês (Quadro 3.5).

Quadro 3.5– Temperatura do solo calculado a partir do Slab (adaptado de Sorgato, 2011).

Zona Jan Fev Mar Abr Mai Jun Jul Ago Set Out Nov Dez
(°C) (°C) (°C) (°C) (°C) (°C) (°C) (°C) (°C) (°C) (°C) (°C)

8 25.76 26.26 26.5 26.5 26.08 25.5 24.89 24.37 24.11 24.18 24.56 25.12

Sistema de ventilação natural

124
A modelagem do sistema de ventilação natural deve ser considerada para todas as aberturas
para ventilação de todos os ambientes da UH (Brasil, 2012). O padrão de uso desse sistema
pode ser feito por controle automático de temperatura, cuja habilitação da janela é feita a partir
do momento em que a temperatura do ar do ambiente iguala ou é maior do que a temperatura
do termostato, que equivale a 20° C (Brasil, 2012). Optou-se para as portas de acesso que
fiquem fechadas, ao passo que as internas devem ficar abertas ao longo das 24 horas.

Para a modelagem desse sistema, é necessária a utilização de alguns parâmetros (Quadro 3.6),
como o coeficiente de pressão (CP), o coeficiente de descarga (CD), o coeficiente de fluxo de ar
pelas frestas (CQ) e rugosidade do entorno (α). Esses parâmetros podem ser definidos da
seguinte forma (Brasil, 2012):

▪ Coeficiente de pressão (CP): parâmetro que indica a influência de pressões ao longo da

superfície externa de um edifício. Outros parâmetros também participam desse
resultado, como a geometria da construção, a velocidade e direção do vento.
▪ Coeficiente de descarga (CD): trata-se de um coeficiente relacionado à resistência do
fluxo de ar em abertura de portas e janelas. Assim como o coeficiente de pressão,
depende de parâmetros como direção e velocidade do vento, geometria da construção,
sobretudo da abertura.
▪ Fluxo de ar por frestas (CQ): trata-se de um coeficiente de fluxo de ar entre o exterior e
o interior da construção a partir das aberturas ou frestas, mesmo que não intencionais.
Portanto, seu fluxo depende do coeficiente de descarga e das dimensões da abertura.
▪ Rugosidade do entorno (α): parâmetro responsável pela correção da velocidade do
vento em relação às diferenças de rugosidade do entorno.

Quadro 3.6– Parâmetros para modelagem do sistema de ventilação natural (adaptado de Sorgato, 2011).

Parâmetros Valores
Coeficiente de pressão (CP) TNO*
Coeficiente de descarga (CD) 0.6
Fluxo de ar por frestas com janela fechada (CQ) 0.001
Rugosidade do entorno (α) 0.33
Expoente de fluxo de ar (n) 0.65**

* Valores obtidos através de banco de dados alimentados por medições feitas por túnel de vento, como o Generator
do TNO Building research (2010). ** Valores baseados nos exemplos do EnergyPlus, haja vista o programa não
definir um padrão.

Sistema de condicionamento de ar

125
Para a modelagem do sistema de condicionamento de ar em ambientes de permanência
prolongada da UH devem-se estabelecer os mesmos parâmetros tanto para a sala como para os
dormitórios (Quadro 3.7), a partir do termostato de refrigeração equivalente a 24° C (Brasil,
2012). Esses ambientes devem ser condicionados artificialmente no período das 21 h às 8 h, a
partir do modo de operação do ventilador contínuo, assim como ventilada naturalmente das 9 h
às 20 h.

Quadro 3.7– Parâmetros para modelagem do sistema de condicionamento de ar (adaptado de Brasil, 2012).

Parâmetros Valores
Eficiência do ventilador 0.7
Eficiência do motor 0.9
Taxa de fluxo de ar por pessoa 0.00944 m/s
Razão entre calor retirado do ambiente e a energia
3.00 W/W
consumida pelo equipamento
Razão entre calor fornecido ao ambiente e a energia
2.75 W/W
consumida pelo equipamento
Número máximo de horas não atendidas do sistema
10 %
de condicionamento de ar

Sistema construtivo e propriedades térmicas

O sistema construtivo tipicamente aplicado pelo PMCMV em Fortaleza para habitação social
unifamiliar é do tipo estrutura independente, cuja composição da alvenaria de vedação é de
tijolos de cerâmica. Essas paredes possuem revestimento interno e externo, os quais podem ser
gesso ou argamassa. A cobertura, além da telha cerâmica, pode também ser composta por telhas
de fibrocimento, com uso de forro ou de laje. O forro varia entre o policloreto de vinila (PVC),
gesso, laje maciça ou pré-moldada. Parte dessas decisões deve-se à disponibilidade dos
materiais a partir dos fornecedores locais e das técnicas construtivas usualmente aplicadas pela
mão-de-obra da região. Embora manuais disponibilizados a nível nacional, como o Selo Azul
da Caixa (Caixa Econômica Federal, 2010), encorajem a utilização de materiais sustentáveis e
técnicas mais enxutas, como a coordenação modular, não chega a ser práticas comuns em obras
da região.

As paredes do modelo são em tijolo cerâmico de 8 furos (9.0 x 14.0 x 24.0 cm). Desse modo, a
espessura total da parede é de 14 cm, já que é considerado em todas as paredes a utilização de
reboco de 2.5 cm interna e externamente, além da argamassa de assentamento de 1 cm entre
cada fiada de tijolos. A pintura predominante é de cor branca, mais adequada para a região.
Assim, a absortância é de 0.20, enquanto as demais propriedades térmicas encontram-se na
Quadro 3.8.

126
 Quadro 3.8– Materiais e propriedades térmicas da parede de acordo com NBR 15575.

Propriedade térmica

Material Condutividade
Densidade de massa Calor específico
térmica
aparente kg/m3 [J/(kg.k)]
[W/(m.k)]

Argamassa de assentamento 2000 1.15 1.00

Argamassa comum 2000 1.15 1.00
Argamassa de gesso 1200 0.50 0.84
Bloco de concreto 2400 1.75 ,1.00
Tijolo cerâmico 1600 0.90 0.92
Vidro 2700 1.10 0.84

A cobertura do modelo é composta por laje de vigotas de concreto armado e blocos cerâmicos
de vedação; telhas de cerâmica, de 1cm; caibros, ripas e terças de madeira. A absortância refere-
se à cor da telha, a qual será exposta ao meio externo, cujos valores são definidos pela NBR
15220-2 (ABNT, 2005). As demais propriedades encontram-se apresentadas na Quadro 3.9.

Quadro 3.9– Materiais e propriedades térmicas da cobertura de acordo com NBR 15575.

Propriedade térmica

Material Condutividade
Densidade de massa Calor específico
térmica
aparente kg/m3 [J/(kg.k)]
[W/(m.k)]

Telha cerâmica 2000 1.05 0.92

Telha fibrocimento 1900 1.95 0.84
Forro de gesso 750 0.35 0.84
Forro de PVC 1300 0.20 0.96
Laje de concreto 2400 1.75 1.00
Laje mista

Geração de plantas do tipo PMCMV

Uma alternativa para treinamento da rede neuronal a partir de uma diversidade de amostras
poderá ser obtida através de geração de plantas por algoritmos evolutivos. Esse processo deverá
ter como entradas os constrangimentos e objetivos topológicos e geométricos. Enquanto os
constrangimentos definem mínimos e máximos para dimensões e áreas da habitação, os
objetivos buscarão encontrar as melhores soluções que considerem os constrangimentos e as
relações de adjacência entre os ambientes especificados.

127
A ferramenta utilizada para a geração de arranjos de plantas diversificadas será através de
algoritmos evolutivos, a partir da linguagem computacional Python. Após a geração das
plantas, elas serão avaliadas de forma integrada com o EnergyPlus, de acordo com a NBR
15575 e RTQ-R, como detalhado no tópico anterior. Todos os resultados serão categorizados
de acordo com a relação entre as dimensões, as áreas, o desempenho térmico e energético dos
ambientes de duração prolongada.

Requisitos geométricos

A geometria da casa, como ocorre em toda a região, é tipicamente uma planta retangular, cujas
dimensões acompanham o formato alongado do lote, o qual predefine a implantação das casas.
Os compartimentos dessa tipologia são divididos em um quarto simples, um quarto duplo, uma
sala, uma cozinha e uma casa de banho, cuja área mínima total não deverá ser inferior a
48.07 m2 (Boueri et al., 2012).

As dimensões e as características das aberturas e esquadrias estão identificadas na Quadro 3.10,

na qual também são definidos os sistemas de abertura, como correr e máximo-ar para as janelas,
que permitem o máximo de 50 % de abertura do vão a partir de um sistema composto por duas
folhas para correr e uma folha para máximo ar. As janelas serão compostas por alumínio e
vidro, enquanto as portas serão de abrir, com uma folha composta de madeira. As dimensões
de abertura devem respeitar proporções mínimas para a entrada de luz nos ambientes e
ventilação, uma vez que todos os cômodos deverão ter abertura para o exterior da UH. Por isso,
de acordo com a NBR 15575 (ABNT, 2013), a zona bioclimática 8 deve ter a área dedicada à
abertura maior ou igual a 10 % da área do vão para a ventilação de ambientes de permanência
prolongada.

Quadro 3.10– Sistema, material, dimensão e área total das portas e janelas da tipologia.

Abertura Janela 1 Janela 2 Janela 3 Porta 1 Porta 2 Porta 3

Correr Correr Máximo Ar Abrir Abrir Abrir
Sistema
(2 folhas) (2 folhas) (1 folha) (1 folha) (1 folha) (1 folha)

Esquadria Esquadria Esquadria

em alumínio em alumínio em alumínio
Material (vidro (vidro (vidro Madeira Madeira Madeira
simples de simples de simples de
3mm) 3mm) 3mm)
Dimensão
1.00 x 1.20 1.50 x 1.20 0.50 x 0.50 0.70 x 2.10 0.80 x 2.10 0.60 x 2.10
(m)
Área total
1.2 1.8 0.25 1.47 1.68 1.26
(m2)

128
Para definir os constrangimentos da UH, utilizou-se recomendações para melhorias de
dimensões do mobiliário e de equipamentos das habitações do PMCMV observadas no Quadro
3.11. Dessa forma, como resultado das dimensões e áreas dos ambientes que melhor se
adequam às especificações podem ser encontradas no Quadro 3.12. Essas dimensões mínimas
e áreas sofrerão alterações à medida que diferentes arranjos sejam desenvolvidos com o
objetivo de diversificar composições para a obtenção de amostras suficientes para o treinamento
da rede neuronal.

Quadro 3.11– Atualização de dimensões do PMCMV a partir de comparações com bibliografias especializadas
(Adaptado de Boueri et al., 2012).

Atualizado
Mobiliário / Equipamento
Dimensão física Espaços de atividades
Sofá 3 lugares com braços 2.05 x 0.90 0.55 à frente
Mesa retangular com 4 lugares 1.25 x 0.80 0.60 ao redor
Armário/Estante de TV 1.50 x 0.40 0.70 à frente
Cama de casal 1.60 x 2.15 0.60 à frente / 0.50 ao lado
Cama de solteiro 0.90 x 1.90 0.60 à frente / 0.50 ao lado
Guarda-roupa 2,25 x 0,60 0,80 à frente
Criado-mudo 0,50 x 0,40 0.50 à frente / 0.05 ao lado
Pia 1,20 x 0,55 0,80 à frente
Geladeira 0,60 x 0,65 0.70 à frente / 0.25 ao lado
Fogão 0,50 x 0,55 1.00 à frente / 0.15 ao lado
Lavatório ⎻ 0.90 x 0.50 área à frente
Vaso sanitário com caixa acoplada ⎻ 0.60 x 0.55 área à frente
0.70 x 0.55 área seca externa ao
Box 0.75 x 0.90
box
Tanque ⎻ 0.85 x 0.50 área à frente
Máquina de lavar roupa ⎻ 0.80 x 0.60 área à frente

Quadro 3.12– Programa recomendado para o PMCMV (Adaptado de Boueri et al., 2012).

Ambientes Programa recomendado (m2)

Sala (estar/refeições) 11,39
Dormitório Casal 10,08
Dormitório Duplo 11,54
Cozinha (preparo de refeições) 5,39
Casa de banho 3,48
Circulação 1,52
Total útil 43,40
Tratamento de roupa* 1,85

129
 Total construída 48,07

Requisitos topológicos e a participação em projeto

De acordo a análise de plantas modelo do PMCMV, as relações de adjacência entre os

ambientes são desenvolvidas na medida em que o acesso à UH geralmente se dá através da sala
de estar a partir da fachada principal. Embora a distribuição aos cômodos nem sempre sejam
feitos através da sala, uma vez que também podem ser feitas pela circulação, trata-se de um
cômodo que se estrutura como central, tanto por suas dimensões, como por sua posição de
conexão entre a cozinha e a área privada da casa. Os dormitórios compõem a região privada
juntamente com a casa de banho. A área de serviços, tida como opcional internamente à UH, a
partir dos requisitos mínimos do PMCMV, podem ser alocados externamente.

Uma importante ferramenta de interface envolve o método RIBE, aplicado com GAN, que
oferece a possibilidade de, a partir de desenhos manuais, obter retorno de imagens similares.
Para isso uma base de dados, como ROBIN, armazena imagens com variedade de arranjos de
habitações (Sharma et al., 2019a). Através da entrada de dados, como desenho, a busca por
desenho de semelhança. Uma experiência similar, mas que combina RIBE, GAN e desempenho
térmico da construção (S. Zhao et al., 2021) demonstra, a partir de experimentos de usabilidade
com estudantes, que é possível inserir esboços no sistema e obter uma imagem similar ao
esboço inserido com seu desempenho analisado. Contudo, as imagens resultantes ainda não
correspondem à variedade de anseios estéticos de quem utiliza a ferramenta, embora tenha
detetado possibilidades de soluções que envolvem interação homem-máquina para rápidas
tomadas de decisão no sentido de incorporara soluções de preferências estéticas do utilizador
(S. Zhao et al., 2021).

3.4 Conclusão

A história da habitação social no Brasil apresenta a persistência de falhas de projeto quanto à

inadequação das tipologias arquitetónicas às condicionantes do sítio, tampouco às diversidades
de uso e ocupação das famílias para as quais foram projetadas. Por outro lado, normas como a
NBR 15575 apresenta critérios de para melhoria da qualidade da habitação social, embora
confrontados pela literatura quando se trata de dimensões mínimas adequadas, assim como os
critérios estabelecidos pelo PMCMV.

Acerca do desempenho térmico e energético, as normas como a NBR 15220, a RTQ-R, a

ASHRAE 55 e a ISSO 7730 foram revisadas a fim de fornecer parâmetros para futuras
avaliações da habitação social nas condições bioclimáticas brasileiras neste estudo. Essa

130
avaliação deverá ocorrer a partir de simulação computacional, cujas entradas do programa
foram detalhados tanto do ponto de vista construtivo quanto climático. Destacam-se também
os ficheiros climáticos, que serão desenvolvidos de acordo com relatórios do IPCC e que
deverão ajudar na apresentação de cenários futuros com as quais as habitações sociais
brasileiras irão interagir.

Ferramentas como a gramática da forma, estudos de avaliação da flexibilidade da habitação

social e a literatura acerca da participação no processo de projeto buscaram fornecer subsídios
suficientes para uma outra etapa da avaliação do projeto arquitetónico da habitação social.
Neste caso, espera-se que a habitação social se torne adaptativa não somente ao clima como
também às condições de uso e ocupação que o projeto deve contemplar. Contudo, todos esses
requisitos, bioclimáticos e comportamentais, possuem muitas variáveis que tornam o processo
complexo até mesmo para arquitetos. Por essa razão, foram escolhidas ferramentas, como o uso
da inteligência artificial, e abordagens que busquem integrar processo de projeto, desempenho
e participação.

O uso da abordagem RIBE tem como finalidade buscar uma interface entre o usuário e o
projetista, uma vez que permite que rascunhos, seja dos usuários, seja do arquiteto, gerem
imagens técnicas com seu desempenho avaliado. Com isso, podem ser discutidos e
argumentadas estratégias, para as quais a metodologia deste estudo propõe-se a fornecer. Essa
ferramenta e metodologia poderão ser aplicadas em disciplinas de conforto, além de incentivar
arquitetos na aplicação de análises e tomadas de decisão participativas em processo de projeto.

REFERÊNCIAS BIBLIOGRÁFICAS
Abdollahi, A., Pradhan, B., Gite, S., & Alamri, A. (2020). Building Footprint Extraction from High
Resolution Aerial Images Using Generative Adversarial Network (GAN) Architecture. IEEE
Access, (December), 1–1. https://doi.org/10.1109/ACCESS.2020.3038225
Abiko, A. K. (1995). Introdução à Gestão Habitacional. São Paulo.
Abiko, A. K., & Albieri, L. (1996). Gestão habitacional e mutirão. In Mutirão Habitacional. São Paulo:
Epusp.
Abiko, A. K., & Coelho, L. de O. (2004). Procedimentos de gestão habitacional para população de
baixa renda. Ambiente Construido, 4, 7–20.
ABNT. (2005). NBR 15220-3. Desempenho térmico de edificações Parte 3: Zoneamento bioclimático
brasileiro e diretrizes construtivas para habitações unifamiliares de interesse social.
ABNT. (2013). NBR 15575-1. Edificações Habitacionais — Desempenho Parte 1 : Requisitos gerais
Prefácio. Rio de Janeiro.
Afif, M., Ayachi, R., Said, Y., Pissaloux, E., & Atri, M. (2020). Indoor Image Recognition and
Classification via Deep Convolutional Neural Network (pp. 364–371).

131
 https://doi.org/10.1007/978-3-030-21005-2_35
Ahmed, S., Liwicki, M., Weber, M., & Dengel, A. (2011a). Improved automatic analysis of
architectural floor plans. Proceedings of the International Conference on Document Analysis and
Recognition, ICDAR, 864–869. https://doi.org/10.1109/ICDAR.2011.177
Ahmed, S., Liwicki, M., Weber, M., & Dengel, A. (2011b). Improved Automatic Analysis of
Architectural Floor Plans. In 2011 International Conference on Document Analysis and
Recognition (pp. 864–869). IEEE. https://doi.org/10.1109/ICDAR.2011.177
Ahmed, S., Liwicki, M., Weber, M., & Dengel, A. (2012). Automatic Room Detection and Room
Labeling from Architectural Floor Plans. In 2012 10th IAPR International Workshop on
Document Analysis Systems (pp. 339–343). IEEE. https://doi.org/10.1109/DAS.2012.22
Ahmed, S., Weber, M., Liwicki, M., Langenhan, C., Dengel, A., & Petzold, F. (2014). Automatic
analysis and sketch-based retrieval of architectural floor plans. Pattern Recognition Letters,
35(1), 91–100. https://doi.org/10.1016/j.patrec.2013.04.005
Alexander, C. (1985). The Production of Houses (1st editio). Oxford University Press.
Almeida, L. S. S. (2014). Influência de padrões físicos e geométricos no desempenho termoenergético
de habitações unifamiliares. Universidade Federal de Santa Catarina.
Alves, C. A., Duarte, D. H. S., & Gonçalves, F. L. T. (2015). Residential buildings’ thermal
performance and comfort for the elderly under climate changes context in the city of São Paulo,
Brazil. Energy and Buildings, 114, 62–71. https://doi.org/10.1016/j.enbuild.2015.06.044
Amore, C. S., Shimbo, L. Z., & Rufino, M. B. C. (2015). À guisa de conclusão: nota pública da Rede
Cidade e Moradia. In Minha Casa... E a Cidade? Avaliação do Programa Minha Casa Minha
Vida em seis estados Brasileiros (p. 428). Rio de Janeiro: Letra Capital Editora.
Arantes, P. F. (2012). A arquitetura na era digital-financeira: desenho, canteiro e renda da forma (1st
ed.). São Paulo: Editora 34.
Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein GAN. Retrieved from
http://arxiv.org/abs/1701.07875
Arnheim, R. (1989). Intuição e Intelecto na Arte. São Paulo: Martins Fontes.
As, I., Pal, S., & Basu, P. (2018). Artificial intelligence in architecture: Generating conceptual design
via deep learning. International Journal of Architectural Computing, 16(4), 306–327.
https://doi.org/10.1177/1478077118800982
ASHRAE. (2010). Standard 55: Thermal environmental conditions for human occupancy. The
American Society of Heating, Refrigerating and Air-Conditioning Engineers. Retrieved from
www.ashrae.org
Attia, S. (2012). A Tool for Design Decision Making: Zero Energy Residential Buildings in Hot Humid
Climates. Université catholique de Louvain.
Audebert, N., Le Saux, B., & Lefèvre, S. (2018). Beyond RGB: Very high resolution urban remote
sensing with multimodal deep networks. ISPRS Journal of Photogrammetry and Remote Sensing,
140, 20–32. https://doi.org/10.1016/j.isprsjprs.2017.11.011
Ávila, S. L. (2006). Otimização Multiobjetivo e Análise de Sensibilidade para Concepção de
Dispositivos. Universidade Federal de Santa Catarina. Retrieved from

132
 https://repositorio.ufsc.br/handle/123456789/88982
Ayala, C., Sesma, R., Aranda, C., & Galar, M. (2021). A Deep Learning Approach to an Enhanced
Building Footprint and Road Detection in High-Resolution Satellite Imagery. Remote Sensing,
13(16), 3135. https://doi.org/10.3390/rs13163135
Azevedo, S. de, & Andrade, L. A. G. de. (2011). Habitação e poder: da fundação da casa popular ao
Banco Nacional da Habitação. Habitação e poder: da fundação da casa popular ao Banco
Nacional da Habitação. Rio de Janeiro: Centro Edelstein de Pesquisas Sociais.
https://doi.org/10.7476/9788579820557
Bacharidis, K., Sarri, F., & Ragia, L. (2020). 3D building façade reconstruction using deep learning.
ISPRS International Journal of Geo-Information, 9(5), 1–24. https://doi.org/10.3390/ijgi9050322
Bachl, M., & Ferreira, D. C. (2019). City-GAN: Learning architectural styles using a custom
Conditional GAN architecture, 1–10. Retrieved from http://arxiv.org/abs/1907.05280
Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). SegNet: A Deep Convolutional Encoder-
Decoder Architecture for Image Segmentation. In IEEE Transactions on Pattern Analysis and
Machine Intelligence (Vol. 39, pp. 2481–2495). https://doi.org/10.1109/TPAMI.2016.2644615
Balthazar, R. D. S. (2012). A permanência da autoconstrução: um estudo de sua prática no Município
de Vargem Grande Paulista. Universidade de São Paulo, São Paulo.
https://doi.org/10.11606/D.16.2012.tde-02072012-132335
Baratto, R. (2015). USINA 25 anos - Reassentamento da Comunidade do Piquiá de Baixo. Retrieved
November 1, 2021, from https://www.archdaily.com.br/br/768315/usina-25-anos-
reassentamento-da-comunidade-do-piquia-de-baixo
Barcelos, K. A., & Brandão, D. Q. (2017). Avaliação da Qualidade da Habitação Social no que se
Refere à Adequação Espacial-Funcional e sua Interferência nos Custos. E&S Engineering and
Science, 6(1), 51. https://doi.org/10.18607/es201747526
Battaglia, P. W., Hamrick, J. B., Bapst, V., Sanchez-Gonzalez, A., Zambaldi, V., Malinowski, M., …
Pascanu, R. (2018). Relational inductive biases, deep learning, and graph networks. ArXiv, 1–40.
Belcher, S. E., & Hacker, J. N. (2005). Building Services Engineering Research and Technology.
Building Services Engineering Research and Technology, 26(1).
https://doi.org/10.1191/0143624405bt112oa
Belgiu, M., & Drǎguţ, L. (2014). Comparing supervised and unsupervised multiresolution
segmentation approaches for extracting buildings from very high resolution imagery. ISPRS
Journal of Photogrammetry and Remote Sensing, 96, 67–75.
https://doi.org/10.1016/j.isprsjprs.2014.07.002
Belogolovsky, V. (2017, January 23). A beleza é o auge da funcionalidade! Archdaily. Retrieved from
https://www.archdaily.com.br/br/803527/entrevista-com-alvaro-siza-a-beleza-e-o-auge-da-
funcionalidade
Beltrame, G. (2013). Vazios urbanos: notas sobre a escassez social do imóvel urbano. Vazios Urbanos:
Notas Sobre a Escassez Social Do Imóvel Urbano, 15(1), 113–138.
https://doi.org/10.12957/irei.2013.9419
Berman, D. S., Buczak, A. L., Chavis, J. S., & Corbett, C. L. (2019). A survey of deep learning

133
 methods for cyber security. Information (Switzerland), 10(4).
https://doi.org/10.3390/info10040122
Bertagnolio, S., & André, P. (2010). Development of an Evidence-Based Calibration Methodology
Dedicated to Energy Audit of Office Buildings. Part 1: Methodology and Modeling. Proceedings
of the 10th REHVA World …. Retrieved from
http://www.harmonac.info/fileadmin/downloads/papers/clima2010/CLIMA10_HAC_paper1_SB
100126.pdf%5Cnhttp://orbi.ulg.ac.be/handle/2268/29291
Berthelot, D., Schumm, T., & Metz, L. (2017). BEGAN: Boundary Equilibrium Generative Adversarial
Networks. IEEE Access, 6, 11342–11348. https://doi.org/10.1109/ACCESS.2018.2804278
Bhatt, D., Patel, C., Talsania, H., Patel, J., Vaghela, R., Pandya, S., … Ghayvat, H. (2021). Cnn
variants for computer vision: History, architecture, application, challenges and future scope.
Electronics (Switzerland), 10(20), 1–28. https://doi.org/10.3390/electronics10202470
Blachère, G. (1971). Savoir bâtir: habitabilité, durabilité, économie des bâtiments. Eyrolles.
Bonduki, N. G. (1994). Origens da habitação social no Brasil.
Bonduki, N. G. (2004). Origens da habitação social no Brasil: Arquitetura moderna, Lei do
Inquilinato e difusão da casa própria (1st ed.). São Paulo: Estação Liberdade.
Bonduki, N. G., Rolnik, R., & Amaral, A. (2003). São Paulo: Plano Diretor Estratégico. Cartilha de
Formação. São Paulo.
Boueri, J. (1989). Antropometria: fator de dimensionamento da habitação. Universidade de São Paulo.
Boueri, J. (1994). Espaço Mínimo da Habitação e Avaliação Dimensional da Habitação. São Paulo.
Boueri, J. (2008). Projeto e dimensionamento dos espaços da habitação – espaços de atividades, 48.
Retrieved from http://www.estacaoletras.com.br/pdfs/ebook_espaco_atividades.pdf
Boueri, J. J., Pedro, J. B., & Scoaris, R. de O. (2012). Análise das exigências de área aplicáveis às
habitações do programa “Minha casa Minha vida.” In Qualidade especial e funcional da
habitação. LNEC.
Bragança, L., Vieira, S. M., & Andrade, J. B. (2014). Early stage design decisions: The way to achieve
sustainable buildings at lower costs. The Scientific World Journal, 2014.
https://doi.org/10.1155/2014/365364
Brandão, D. Q. (2011a). Disposições técnicas e diretrizes para projeto de habitações sociais evolutivas.
Ambiente Construído, 11(2), 73–96. https://doi.org/10.1590/S1678-86212011000200006
Brandão, D. Q. (2011b). Disposições técnicas e diretrizes para projeto de habitações sociais evolutivas.
Ambiente Construído, 11(2), 73–96. https://doi.org/10.1590/S1678-86212011000200006
Brandão, D. Q., & Heineck, L. F. M. (2003). Significado multidimensional e dinâmico do morar:
compreendendo as modificações na fase de uso e propondo flexibilidade nas habitações sociais
Multidimensional and dynamic meaning of dwellings: understanding changes during the use
phase and proposing flex. Ambiente Construido, 3(4), 35–48.
Brandão, D. Q., & Heineck, L. F. M. (2008). Estratégias de flexibilização de projetos residenciais
iniciadas na década de 1990 no Brasil: tão-somente um recurso mercadológico? Ambiente
Construído, 7(4), 71–87.
Brasil. (1988). Constituição da República Federativa do Brasil. Brasília, DF: Centro Gráfico.

134
Brasil. (2008). Lei No 11.888, de 24 de dezembro de 2008. Retrieved November 1, 2021, from
http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2008/lei/l11888.htm
Brasil. (2012). Regulamento Técnico da Qualidade para o Nível de Eficiência Energética
deEdificações Residenciais. Retrieved from
http://www.inmetro.gov.br/legislacao/rtac/pdf/RTAC001788.pdf
Bre, F., Silva, A. S., Ghisi, E., & Fachinotti, V. D. (2016). Residential building design optimisation
using sensitivity analysis and genetic algorithm. Energy and Buildings, 133, 853–866.
https://doi.org/10.1016/j.enbuild.2016.10.025
Briot, J. P., & Pachet, F. (2020). Deep learning for music generation: challenges and directions. Neural
Computing and Applications, 32(4), 981–993. https://doi.org/10.1007/s00521-018-3813-6
Brock, A., Donahue, J., & Simonyan, K. (2019). Large scale GaN training for high fidelity natural
image synthesis. 7th International Conference on Learning Representations, ICLR 2019, 1–35.
Buffa, E. S., Armour, G. C., & Vollmann, T. E. (1964). Allocating Facilities with CRAFT. Harvard
University.
Buzzar, M. A., & Fabrício, M. M. (2007). Desenvolvimento de metodologia de avaliação para o
aspecto produto habitacional do programa de arrendamento residencial. Risco: Revista de
Pesquisa Em Arquitetura e Urbanismo (Online), (5), 226. https://doi.org/10.11606/issn.1984-
4506.v0i5p226-235
Cai, J., & Chen, Y. (2021). MHA-Net: Multipath Hybrid Attention Network for Building Footprint
Extraction From High-Resolution Remote Sensing Imagery. IEEE Journal of Selected Topics in
Applied Earth Observations and Remote Sensing, 14, 5807–5817.
https://doi.org/10.1109/JSTARS.2021.3084805
Caixa Econômica Federal. (2010). Boas práticas para habitação mais sustentável. Selo Azul Caixa:
Boas práticas para habitação mais sustentável. São Paulo: Páginas e Letras.
Caixa Econômica Federal. (2020). Minha Casa Minha Vida - Habitação Urbana. Retrieved from
http://www.caixa.gov.br/voce/habitacao/minha-casa-minha-vida/urbana/Paginas/default.aspx
Cardoso, L. R. de A., & Abiko, A. K. (1994). Construção habitacional por mutirão: gerenciamento e
custos. São Paulo.
Carvalho, B. R., Faria, J. A., & Martins, J. P. P. (2010, March). Construção como linguagem. Cadernos
d’Obra Revista Científica Internacional de Construção (CdO).
Carvalho, B. R., Faria, J. A., & Martins, J. P. P. (2011, May). Arquitetura como disciplina. Cadernos
d’Obra Revista Científica Internacional de Construção (CdO).
Carvalho, B. R., Faria, J. A., Martins, J. P. P., & Sá, A. V. (2009, January). Arquitectura / Engenharia.
Cadernos d’Obra Revista Científica Internacional de Construção (CdO).
Castro Pena, M. L., Carballal, A., Rodríguez-Fernández, N., Santos, I., & Romero, J. (2021). Artificial
intelligence applied to conceptual design. A review of its use in architecture. Automation in
Construction, 124. https://doi.org/10.1016/j.autcon.2021.103550
Celani, G., Cypriano, D., Godoi, G. De, & Vaz, C. E. (2006). A gramática da forma como metodologia
de análise e síntese em arquitetura. Conexão - Comunicação e Cultura, 5(10), 180–197.
Chaillou, S. (2019). AI + Architecture. Towards a New Approach. Harvard University, 1–5.

135
 https://doi.org/10.4271/942059
Chang, A. X., Eric, M., Savva, M., & Manning, C. D. (2017). SceneSeer: 3D Scene Design with
Natural Language. Retrieved from http://arxiv.org/abs/1703.00050
Chang, A. X., Savva, M., & Manning, C. D. (2014). Learning spatial knowledge for text to 3D scene
generation. EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language
Processing, Proceedings of the Conference, 2028–2038. https://doi.org/10.3115/v1/d14-1217
Chang, S., & Jun, H. (2019). Hybrid deep-learning model to recognise emotional responses of users
towards architectural design alternatives. Journal of Asian Architecture and Building
Engineering, 18(5), 381–391. https://doi.org/10.1080/13467581.2019.1660663
Chen, H., Li, W., & Shi, Z. (2021). Adversarial Instance Augmentation for Building Change Detection
in Remote Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, 1–16.
https://doi.org/10.1109/TGRS.2021.3066802
Chen, Q., Wang, L., Wu, Y., Wu, G., Guo, Z., & Waslander, S. L. (2018). Aerial Imagery for Roof
Segmentation: A Large-Scale Dataset towards Automatic Mapping of Buildings. ArXiv,
(September).
Chen, Q., Wu, Q., Tang, R., Wang, Y., Wang, S., & Tan, M. (2020). Intelligent Home 3D: Automatic
3D-House Design From Linguistic Descriptions Only. In 2020 IEEE/CVF Conference on
Computer Vision and Pattern Recognition (CVPR) (pp. 12622–12631). IEEE.
https://doi.org/10.1109/CVPR42600.2020.01264
Chen, R., Li, X., & Li, J. (2018). Object-Based Features for House Detection from RGB High-
Resolution Images. Remote Sensing, 10(3), 451. https://doi.org/10.3390/rs10030451
Chen, X., Duan, Y., Houthooft, R., Schulman, J., Sutskever, I., & Abbeel, P. (2016). InfoGAN:
Interpretable Representation Learning. In 30th Conference on Neural Information Processing
Systems (NIPS 2016) (pp. 2172–2180). https://doi.org/10.1007/978-3-319-16817-3
Chu, P. M., Sung, Y., & Cho, K. (2019). Generative Adversarial Network-Based Method for
Transforming Single RGB Image into 3D Point Cloud. IEEE Access, 7, 1021–1029.
https://doi.org/10.1109/ACCESS.2018.2886213
Chugh, T., Sindhya, K., Hakanen, J., & Miettinen, K. (2019). A survey on handling computationally
expensive multiobjective optimization problems with evolutionary algorithms. Soft Computing,
23(9), 3137–3166. https://doi.org/10.1007/s00500-017-2965-0
Coelho, M. S. (2013). Habitação De Interesse Social: Flexibilidade Espacial Do Ambiente Interno
Considerando a Qualidade Na Implantação, 1–63.
Coelho, W. R. (2002). O déficit das moradias: instrumento para avaliação e aplicação de programas
habitacionais. Universidade de São Paulo, São Carlos. https://doi.org/10.11606/D.18.2002.tde-
19032003-155800
Coello Coello, C. A. (1999). A Comprehensive Survey of Evolutionary-Based Multiobjective
Optimization Techniques. Knowledge and Information Systems, 1(3), 269–308.
https://doi.org/10.1007/bf03325101
Corbusier, L. (2011). Por uma arquitetura (6th ed.). São Paulo: Perspectiva.
Costa, H. A., Logsdon, L., & Fabricio, M. M. (2018). Flexibilidade em projetos de arquitetura:

136
 contribuições a partir de uma revisão sistemática da literatura. PARC Pesquisa Em Arquitetura e
Construção, 8(3), 144. https://doi.org/10.20396/parc.v8i3.8650206
Coughlan, J. M., & Yuille, A. L. (1999). Manhattan World: compass direction from a single image by
Bayesian inference. In Proceedings of the Seventh IEEE International Conference on Computer
Vision (pp. 941–947 vol.2). IEEE. https://doi.org/10.1109/ICCV.1999.790349
Cross, N., & Roozenburg, N. (1992). Modelling the Design Process in Engineering and in Architecture.
Journal of Engineering Design, 3(4), 325–337. https://doi.org/10.1080/09544829208914765
Da Costa, J. M. (1995). Métodos de Avaliação da Qualidade de Projectos de Edifícios de Habitação.
Universidade do Porto.
Dalbem, R., Grala da Cunha, E., Vicente, R., Figueiredo, A., Oliveira, R., & Silva, A. C. S. B. da.
(2019). Optimisation of a social housing for south of Brazil: From basic performance standard to
passive house concept. Energy, 167, 1278–1296.
https://doi.org/https://doi.org/10.1016/j.energy.2018.11.053
Dalbem, R., Grala, E., Vicente, R., Figueiredo, A., Oliveira, R., & Antonio, C. (2019). Optimisation of
a social housing for south of Brazil : From basic performance standard to passive house concept,
167, 1278–1296. https://doi.org/10.1016/j.energy.2018.11.053
Damski, J. C., & Gero, J. S. (1997). An Evolutionary Approach to Generating Constraint-Based Space
Layout Topologies. In CAAD futures 1997 (Vol. 1, pp. 855–864). Dordrecht: Springer
Netherlands. https://doi.org/10.1007/978-94-011-5576-2_65
Dargan, S., Kumar, M., Ayyagari, M. R., & Kumar, G. (2020). A Survey of Deep Learning and Its
Applications: A New Paradigm to Machine Learning. Archives of Computational Methods in
Engineering, 27(4), 1071–1092. https://doi.org/10.1007/s11831-019-09344-w
Dasgupta, S., Fang, K., Chen, K., & Savarese, S. (2016). DeLay: Robust spatial layout estimation for
cluttered indoor scenes. In Proceedings of the IEEE Computer Society Conference on Computer
Vision and Pattern Recognition (Vol. 2016-Decem, pp. 616–624).
https://doi.org/10.1109/CVPR.2016.73
Davari Majd, R., Momeni, M., & Moallem, P. (2019). Transferable Object-Based Framework Based on
Deep Convolutional Neural Networks for Building Extraction. IEEE Journal of Selected Topics
in Applied Earth Observations and Remote Sensing, 12(8), 2627–2635.
https://doi.org/10.1109/JSTARS.2019.2924582
de Dear, R., & Brager, G. S. (1998). The adaptation in the built environment: a literature review.
Energy and Buildings, 27(1), 83–96. https://doi.org/10.1016/S0378-7788(97)00053-4
De Dear, R. J., & Brager, G. S. (2002). Thermal comfort in naturally ventilated buildings: Revisions to
ASHRAE Standard 55. Energy and Buildings, 34(6), 549–561. https://doi.org/10.1016/S0378-
7788(02)00005-1
de las Heras, Lluís-Pere, Ahmed, S., Liwicki, M., Valveny, E., & Sánchez, G. (2014). Statistical
segmentation and structural recognition for floor plan interpretation. International Journal on
Document Analysis and Recognition (IJDAR), 17(3), 221–237. https://doi.org/10.1007/s10032-
013-0215-2
de las Heras, Lluis-Pere, Fernandez, D., Valveny, E., Llados, J., & Sanchez, G. (2013). Unsupervised

137
 Wall Detector in Architectural Floor Plans. In 2013 12th International Conference on Document
Analysis and Recognition (pp. 1245–1249). IEEE. https://doi.org/10.1109/ICDAR.2013.252
de Lauwe, P.-H., & de Lauwe, M.-J. C. (1965). A evolução contemporânea da Família: estruturas,
funções, necessidades. Análise Social, 3(12), 475–600. Retrieved from
http://www.jstor.org/stable/41008331
de Lucena, A. F. P., Szklo, A. S., Schaeffer, R., de Souza, R. R., Borba, B. S. M. C., da Costa, I. V. L.,
… da Cunha, S. H. F. (2009). The vulnerability of renewable energy to climate change in Brazil.
Energy Policy, 37(3), 879–889. https://doi.org/10.1016/j.enpol.2008.10.029
De Wilde, P., & Tian, W. (2011). Towards probabilistic performance metrics for climate change
impact studies. Energy and Buildings, 43(11), 3013–3018.
https://doi.org/10.1016/j.enbuild.2011.07.014
Dear, R. De. (2006). Adapting buildings to a changing climate: but what about the occupants? Building
Research & Information, 34(1), 78–81. https://doi.org/10.1080/09613210500336594
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic
algorithm: NSGA-II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197.
https://doi.org/10.1109/4235.996017
Delage, E., Honglak Lee, & Ng, A. Y. (n.d.). A Dynamic Bayesian Network Model for Autonomous
3D Reconstruction from a Single Indoor Image. In 2006 IEEE Computer Society Conference on
Computer Vision and Pattern Recognition - Volume 2 (CVPR’06) (Vol. 2, pp. 2418–2428). IEEE.
https://doi.org/10.1109/CVPR.2006.23
Deng, S., Dong, Q., & Liu, B. (2021). SCSS-Net: Superpoint Constrained Semi-supervised
Segmentation Network for 3D Indoor Scenes. Retrieved from http://arxiv.org/abs/2107.03601
Deng, W., Shi, Q., & Li, J. (2021). Attention-Gate-Based Encoder-Decoder Network for Automatical
Building Extraction. IEEE Journal of Selected Topics in Applied Earth Observations and Remote
Sensing, 14, 2611–2620. https://doi.org/10.1109/JSTARS.2021.3058097
Di, X., Yu, P., Yang, D., Zhu, H., Sun, C., & Liu, Y. (2020). End-to-end Generative Floor-plan and
Layout with Attributes and Relation Graph, 1–8. Retrieved from http://arxiv.org/abs/2012.08514
Dias, M. Â. (2014). Informal Settlements - A Shape Grammar Approach. Journal of Civil Engineering
and Architecture, 8(11), 1389–1395.
Diffenbaugh, N. S., & Burke, M. (2019). Global warming has increased global economic inequality.
Proceedings of the National Academy of Sciences, 116(20), 9808–9813.
https://doi.org/10.1073/PNAS.1816020116
Digiacomo, M. C. (2004). Estratégias de projeto para a habitação social flexível. Universidade
Federal de Santa Catarina.
Dodge, S., Xu, J., & Stenger, B. (2017). Parsing floor plan images. In Proceedings of the 15th IAPR
International Conference on Machine Vision Applications, MVA 2017 (pp. 358–361).
https://doi.org/10.23919/MVA.2017.7986875
Dosch, P., Tombre, K., Ah-Soon, C., & Masini, G. (2000a). A complete system for the analysis of
architectural drawings. International Journal on Document Analysis and Recognition, 3(2), 102–
116. https://doi.org/10.1007/PL00010901

138
Dosch, P., Tombre, K., Ah-Soon, C., & Masini, G. (2000b). A complete system for the analysis of
architectural drawings. International Journal on Document Analysis and Recognition, 3(2), 102–
116. https://doi.org/10.1007/PL00010901
Duarte, J. P. (2001). Customizing Mass Housing: A Discursive Grammar for Siza’s Malagueira
Houses. Massachusetts Institute of Technology. Retrieved from http://hdl.handle.net/1721.1/8189
Duarte, J. P. (2005). Towards the mass customization of housing: The grammar Siza’s houses at
Malagueira. Environment and Planning B: Planning and Design, 32(3), 347–380.
https://doi.org/10.1068/b31124
Eastman, C. M. (1975, March). The Use of Computers Instead of Drawings In Building Design. AIA
Journal.
Elgammal, A., Liu, B., Elhoseiny, M., & Mazzone, M. (2017). CAN: Creative adversarial networks
generating “Art” by learning about styles and deviating from style norms. ArXiv, (Iccc), 1–22.
Engelmann, F., Kontogianni, T., Schult, J., & Leibe, B. (2019). Know what your neighbors do: 3D
semantic segmentation of point clouds. Lecture Notes in Computer Science (including subseries
Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 11131 LNCS).
https://doi.org/10.1007/978-3-030-11015-4_29
Escandón, R., Ascione, F., Bianco, N., Mauro, G. M., Suárez, R., & Sendra, J. J. (2019). Thermal
comfort prediction in a building category: Artificial neural network generation from calibrated
models for a social housing stock in southern Europe. Applied Thermal Engineering,
150(January), 492–505. https://doi.org/10.1016/j.applthermaleng.2019.01.013
Fabricio, M. M., Ornstein, S. W., & Melhado, S. B. (2010). Conceitos de qualidade no projeto de
edifícios. In Qualidade no projeto de edifícios. RiMa/ANTAC.
Fanger, P. . (1970). Thermal Comfort: analysis and applications in environmental engineering.
Denmark: McGraw-Hill.
Farah, M. (1985). Estado e Habitação no Brasil: o caso dos Institutos da Previdência. Espaço &
Debates, (January 1985), 73–81.
Fathalla, R., & Vogiatzis, G. (2017). A deep learning pipeline for semantic facade segmentation. In
British Machine Vision Conference 2017, BMVC 2017 (pp. 1–13).
https://doi.org/10.5244/c.31.120
Femiani, J., Para, W. R., Mitra, N., & Wonka, P. (2018). Facade Segmentation in the Wild. Retrieved
from http://arxiv.org/abs/1805.08634
Fernandez-Labrador, C., Facil, J. M., Perez-Yus, A., Demonceaux, C., Civera, J., & Guerrero, J. J.
(2019). Corners for layout: End-to-end layout recovery from 360 images. ArXiv, 5(2), 1255–
1262.
Ferro, S. (2004). Nota sobre a usina. Retrieved November 1, 2021, from http://www.usina-
ctah.org.br/notasobreausina.html
Filho, A., Chammas, D., Vilaça, Í., Guerreiro, I., Lazarini, K., & Constante, P. (2015). As vacas têm
para onde ir, o povo do piquiá não: o reassentamento do piquiá de baixo e os caminhos do
desenvolvimento brasileiro. Retrieved November 1, 2021, from http://www.usina-
ctah.org.br/reassentamentopiquia.html

139
Filho, W. L., Balogun, A. L., Olayide, O. E., Azeiteiro, U. M., Ayal, D. Y., Muñoz, P. D. C., … Li, C.
(2019). Assessing the impacts of climate change in cities and their adaptive capacity: Towards
transformative approaches to climate change adaptation and poverty reduction in urban areas in a
set of developing countries. Science of the Total Environment, 692, 1175–1190.
https://doi.org/10.1016/j.scitotenv.2019.07.227
Fisher, M., Ritchie, D., Savva, M., Funkhouser, T., & Hanrahan, P. (2012). Example-based synthesis of
3D object arrangements. ACM Transactions on Graphics, 31(6).
https://doi.org/10.1145/2366145.2366154
Fisher, M., Savva, M., Li, Y., Hanrahan, P., & Nießner, M. (2015). Activity-centric scene synthesis for
functional 3D scene modeling. ACM Transactions on Graphics, 34(6).
https://doi.org/10.1145/2816795.2818057
Fletcher, L. A., & Kasturi, R. (1988). A Robust Algorithm for Text String Separation from Mixed
Text/Graphics Images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 10(6),
910–918. https://doi.org/10.1109/34.9112
Folz, R. R. (2002). Mobiliário na habitação popular. Universidade de São Paulo.
Folz, R. R. (2008). Projeto tecnológico para produção de habitação mínima e seu mobiliário.
Universidade de São Paulo.
Folz, R. R., & Martucci, R. (2007). HABITAÇÃO MÍNIMA : DISCUSSÃO DO PADRÃO DE ÁREA
MÍNIMA APLICADO EM UNIDADES HABITACIONAIS DE INTERESSE SOCIAL. Revista
Tópos, 1(1), 23–40. Retrieved from https://revista.fct.unesp.br/index.php/topos/article/view/2187
Fond, A., Berger, M.-O., & Simon, G. (2017). Facade Proposals for Urban Augmented Reality. In 2017
IEEE International Symposium on Mixed and Augmented Reality (ISMAR) (Vol. 1, pp. 32–41).
IEEE. https://doi.org/10.1109/ISMAR.2017.20
Fond, A., Berger, M.-O., & Simon, G. (2021). Model-image registration of a building’s facade based
on dense semantic segmentation. Computer Vision and Image Understanding, 206, 103185.
https://doi.org/10.1016/j.cviu.2021.103185
Fonseca, C. M., & Fleming, P. J. (1993). Genetic Algorithms for Multiobjective Optimization:
FormulationDiscussion and Generalization. In ICGA.
Fontenele, F. (2021). Imagem aérea do Bairro Pirambu e Vila do Mar durante a quarentena provocada
pelo pandemia do corona vírus. Retrieved July 19, 2022, from
https://www.opovo.com.br/noticias/fortaleza/2021/09/06/faccionado-preso-e-suspeito-de-exigir-
taxas-de-empresas-de-internet-no-pirambu.html
Fortaleza. (2006). Plano Diretor Participativo de Fortaleza. Fortaleza.
Fortaleza. (2020). Índice de Vulnerabilidade às Mudanças Climáticas e Plano de Adaptação: cidade de
Fortaleza, Estado do Ceará. Fortaleza. Retrieved from
https://urbanismoemeioambiente.fortaleza.ce.gov.br/urbanismo-e-meio-ambiente/573-estudo-de-
vulnerabilidade-as-mudancas-climaticas-e-o-plano-de-adaptacao-de-fortaleza
Friedman, Y. (1973). Hacia Una Arquitectura Científica. Alianza.
Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of
pattern recognition unaffected by shift in position. Biological Cybernetics, 36(4), 193–202.

140
 https://doi.org/10.1007/BF00344251
Fundação João Pinheiro. (2012). DÉFICIT HABITACIONAL NO BRASIL 2009. Belo Horizonte.
Retrieved from
http://www.bibliotecadigital.mg.gov.br/consulta/consultaDetalheDocumento.php?iCodDocument
o=76700
Gagne, J., & Andersen, M. (2012). A generative facade design method based on daylighting
performance goals. Journal of Building Performance Simulation, 5(3), 141–154.
https://doi.org/10.1080/19401493.2010.549572
García Kerdan, I., & Morillón Gálvez, D. (2020). Artificial neural network structure optimisation for
accurately prediction of exergy, comfort and life cycle cost performance of a low energy
building. Applied Energy, 280(October). https://doi.org/10.1016/j.apenergy.2020.115862
Garey, M. R., & Johnson, D. S. (1990). Computers and intractability: a guide to the theory of NP-
completeness. W. H. Freeman & Co. Retrieved from https://dl.acm.org/doi/book/10.5555/574848
Gero, J. S., & Kazakov, V. A. (1997). Learning and re-using information in space layout planning
problems using genetic engineering. Artificial Intelligence in Engineering, 11(3), 329–334.
https://doi.org/10.1016/S0954-1810(96)00051-9
Gero, J. S., & Kazakov, V. A. (1998a). Evolving design genes in space layout planning problems.
Artificial Intelligence in Engineering, 12(3), 163–176. https://doi.org/10.1016/S0954-
1810(97)00022-8
Gero, J. S., & Kazakov, V. A. (1998b). Evolving design genes in space layout planning problems.
Artificial Intelligence in Engineering, 12(3), 163–176.
https://doi.org/https://doi.org/10.1016/S0954-1810(97)00022-8
Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer
Vision, 2015 Inter, 1440–1448. https://doi.org/10.1109/ICCV.2015.169
Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object
detection and semantic segmentation. Proceedings of the IEEE Computer Society Conference on
Computer Vision and Pattern Recognition, 580–587. https://doi.org/10.1109/CVPR.2014.81
Givoni, B. (1992). Comfort , climate analysis and building design guidelines. Energy and Buildings,
18, 11–23. https://doi.org/10.1016/0378-7788(92)90047-k
Glover, F. (1986). Future paths for integer programming and links to artificial intelligence. Computers
& Operations Research, 13(5), 533–549. https://doi.org/https://doi.org/10.1016/0305-
0548(86)90048-1
Goel, A., Juneja, M., & Jawahar, C. V. (2012). Are buildings only instances? Exploration in
architectural style categories. ACM International Conference Proceeding Series.
https://doi.org/10.1145/2425333.2425334
Gomes, J., & Velho, L. (1997). Image Processing for Computer Graphics. New York, NY: Springer
New York. https://doi.org/10.1007/978-1-4757-2745-6
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Retrieved from
http://www.deeplearningbook.org/
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … Bengio, Y.

141
 (2014). Generative adversarial nets. Advances in Neural Information Processing Systems,
3(January), 2672–2680.
Gou, S., Nik, V. M., Scartezzini, J. L., Zhao, Q., & Li, Z. (2018). Passive design optimization of
newly-built residential buildings in Shanghai for improving indoor thermal comfort while
reducing building energy demand. Energy and Buildings, 169, 484–506.
https://doi.org/10.1016/j.enbuild.2017.09.095
Goulart, S. V. G., Lamberts, R., & Firmino, S. (1998). Dados Climáticos para Projeto e Avaliação
Energética de Edificações para 14 Cidades Brasileiras. Florianópolis: Núcleo de Pesquisa em
Construção/UFSC.
Grason, J. (1970). Methods for the Computer-Implemented Solution of a Class of “Floor Plan” Design
Problems. Carnegie-Mellon University Pittsburgh.
Griffiths, D., & Boehm, J. (2019). Improving public data for building segmentation from Convolutional
Neural Networks (CNNs) for fused airborne lidar and image data using active contours. ISPRS
Journal of Photogrammetry and Remote Sensing, 154(May), 70–83.
https://doi.org/10.1016/j.isprsjprs.2019.05.013
Groak, S. (2002). The Idea of Building: Thought and Action in the Design and Production of Buildings.
Taylor & Francis.
Guan, L. (2009). Preparation of future weather data to study the impact of climate change on buildings.
Building and Environment, 44(4), 793–800. https://doi.org/10.1016/j.buildenv.2008.05.021
Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for visual
understanding: A review. Neurocomputing, 187, 27–48.
https://doi.org/10.1016/j.neucom.2015.09.116
Habraken, N. J. (1999). Supports: An Alternative to Mass Housing (2nd ed.). Urban International
Press.
Hang, R., Li, Z., Liu, Q., Ghamisi, P., & Bhattacharyya, S. S. (2021). Hyperspectral Image
Classification with Attention-Aided CNNs. IEEE Transactions on Geoscience and Remote
Sensing, 59(3), 2281–2293. https://doi.org/10.1109/TGRS.2020.3007921
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition.
Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition, 2016-Decem, 770–778. https://doi.org/10.1109/CVPR.2016.90
Hedau, V., Hoiem, D., & Forsyth, D. (2009). Recovering the spatial layout of cluttered rooms. In 2009
IEEE 12th International Conference on Computer Vision (pp. 1849–1856). IEEE.
https://doi.org/10.1109/ICCV.2009.5459411
Hensel, S., Goebbels, S., & Kada, M. (2019). Facade Reconstruction for Textured LOD2 Citygml
Models Based on Deep Learning and Mixed Integer Linear Programming. In ISPRS Annals of the
Photogrammetry, Remote Sensing and Spatial Information Sciences (Vol. 4, pp. 37–44).
https://doi.org/10.5194/isprs-annals-IV-2-W5-37-2019
Hertzberger, H. (2015). Lições de arquitetura. Martins Fontes.
Hillier, B., & Hanson, J. (1984). The social logic of space. New York: Cambridge University Press.
https://doi.org/10.1017/cbo9780511597237

142
Hillier, B., Hanson, J., & Graham, H. (1987). Ideas are in things: an application of the space syntax
method to discovering house genotypes. Environment & Planning B: Planning & Design, 14(4),
363–385. https://doi.org/10.1068/b140363
Hoeser, T., & Kuenzer, C. (2020). Object detection and image segmentation with deep learning on
Earth observation data: A review-part I: Evolution and recent trends. Remote Sensing, 12(10).
https://doi.org/10.3390/rs12101667
Holland, J. H. (1992). Adaptation in Natural and Artifiitial systems: an introductory analysis with
applications to biology, control, and artificial intelligence (1st ed.). Cambridge: MIT Press.
Horn, J., & Nafpliotis, N. (1993). Multiobjective Optimization Using The Niched Pareto Genetic
Algorithm. IlliGAL Report No. 93005, 82–87. Retrieved from
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.51.8761&rep=rep1&type=pdf
Hosseinpoor, H., & Samadzadegan, F. (2020). Convolutional Neural Network for Building Extraction
from High-Resolution Remote Sensing Images. In 2020 International Conference on Machine
Vision and Image Processing (MVIP) (Vol. 2020-Janua, pp. 1–5). IEEE.
https://doi.org/10.1109/MVIP49855.2020.9187483
Hu, R., Huang, Z., Tang, Y., Van Kaick, O., Zhang, H., & Huang, H. (2020). Graph2Plan: Learning
Floorplan Generation from Layout Graphs. ACM Transactions on Graphics, 39(4), 1–14.
https://doi.org/10.1145/3386569.3392391
Hubel, D. H., & Wiesel, T. N. (1962). Receptive fields, binocular interaction and functional
architecture in the cat’s visual cortex. The Journal of Physiology, 160(1), 106–154.
https://doi.org/10.1113/jphysiol.1962.sp006837
INMET. (2020). Banco de Dados Meteorológicos. Retrieved November 9, 2021, from
https://bdmep.inmet.gov.br/
Inoue, M., & Takagi, H. (2008). Layout algorithm for an EC-based room layout planning support
system. In SMCia/08 - Proceedings of the 2008 IEEE Conference on Soft Computing on
Industrial Applications (pp. 165–170). Muroran. https://doi.org/10.1109/SMCIA.2008.5045954
Invidiata, A., & Ghisi, E. (2016). Impact of climate change on heating and cooling energy demand in
houses in Brazil. Energy & Buildings, 130, 20–32. https://doi.org/10.1016/j.enbuild.2016.07.067
IPCC. (2014). Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to
the Fifth Assessment Report of the Intergovernmental Panel on Climate Change. Geneva.
Retrieved from http://ar5-syr.ipcc.ch/
ISO 7730. (2005). Ergonomics of the thermal environment — Analytical determination and
interpretation of thermal comfort using calculation of the PMV and PPD indices and local
thermal comfort criteria (Vol. 2005). Geneva.
Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017a). Image-to-image translation with conditional
adversarial networks. In Proceedings - 30th IEEE Conference on Computer Vision and Pattern
Recognition, CVPR 2017 (Vol. 2017-Janua, pp. 5967–5976).
https://doi.org/10.1109/CVPR.2017.632
Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017b). Image-to-image translation with conditional
adversarial networks. In Proceedings - 30th IEEE Conference on Computer Vision and Pattern

143
 Recognition, CVPR 2017 (Vol. 2017-Janua, pp. 5967–5976).
https://doi.org/10.1109/CVPR.2017.632
Izadinia, H., Shan, Q., & Seitz, S. M. (2017). IM2CAD. In 2017 IEEE Conference on Computer Vision
and Pattern Recognition (CVPR) (pp. 2422–2431). IEEE.
https://doi.org/10.1109/CVPR.2017.260
Jagielski, R., & Gero, J. S. (1997). A Genetic Programming Approach to the Space Layout Planning
Problem. In CAAD futures 1997 (pp. 875–884). Dordrecht: Springer Netherlands.
https://doi.org/10.1007/978-94-011-5576-2_67
Jang, H., Yang, J. H., & Kiyun, Y. (2018). Automatic wall detection and building topology and
property of 2D floor plan. In Leibniz International Proceedings in Informatics, LIPIcs (Vol. 114,
pp. 2–6). https://doi.org/10.4230/LIPIcs.GIScience.2018.33
Jentsch, M. F., Bahaj, A. S., & James, P. A. B. (2008). Climate change future proofing of buildings —
Generation and assessment of building simulation weather files. Energy and Buildings, 40, 2148–
2168. https://doi.org/10.1016/j.enbuild.2008.06.005
Jentsch, M. F., James, P. A. B., Bourikas, L., & Bahaj, A. B. S. (2013). Transforming existing weather
data for worldwide locations to enable energy and building performance simulation under future
climates. Renewable Energy, 55, 514–524. https://doi.org/10.1016/j.renene.2012.12.049
Jeong, J., Jo, J., Wang, J., Cho, S., & Park, J. (2021). Realistic Image Synthesis with Configurable 3D
Scene Layouts. Retrieved from http://arxiv.org/abs/2108.10031
Jo, J. H., & Gero, J. S. (1998). Space layout planning using an evolutionary approach. Artificial
Intelligence in Engineering, 12(3), 149–162. https://doi.org/10.1016/S0954-1810(97)00037-X
Juran, J. M., Gryna, F. M., Godfrey, A. B., Schilling, E. G., Hoogstoel, R. E., & Joseph, J. (1999).
Juran’s Quality Handbook. McGraw Hill.
Kado, K. (1995). An Investigation of Genetic Algorithms for Facility Layout Problems. University of
Edinburg.
Kalervo, A., Ylioinas, J., Häikiö, M., Karhu, A., & Kannala, J. (2019). CubiCasa5K: A Dataset and an
Improved Multi-task Model for Floorplan Image Analysis. In Lecture Notes in Computer Science
(including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics)
(Vol. 11482 LNCS, pp. 28–40). https://doi.org/10.1007/978-3-030-20205-7_3
Kalervo, A., Ylioinas, J., Markus Häikiö, Karhu, A., Kannala, J., & 1. (2019). CubiCasa5K: A Dataset
and an Improved Multi-task Model for Floorplan Image Analysis (Vol. 1, pp. 427–438).
https://doi.org/10.1007/978-3-030-20205-7
Kang, Z., Yang, J., Yang, Z., & Cheng, S. (2020). A review of techniques for 3D reconstruction of
indoor environments. ISPRS International Journal of Geo-Information, 9(5).
https://doi.org/10.3390/ijgi9050330
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the
interpretations, illustrations, and implications of artificial intelligence. Business Horizons, 62(1),
15–25. https://doi.org/10.1016/j.bushor.2018.08.004
Karimpour, M., Belusko, M., Xing, K., Boland, J., & Bruno, F. (2015). Impact of climate change on
the design of energy efficient residential building envelopes. Energy & Buildings, 87, 142–154.

144
 https://doi.org/10.1016/j.enbuild.2014.10.064
Karl, T. R., & Trenberth, K. E. (2003). Modern Global Climate Change. Science, 302(5651), 1719–
1723. https://doi.org/10.1126/science.1090228
Khade, R., Jariwala, K., Chattopadhyay, C., & Pal, U. (2021). A rotation and scale invariant approach
for multi-oriented floor plan image retrieval. Pattern Recognition Letters, 145, 1–7.
https://doi.org/10.1016/j.patrec.2021.01.020
Khan, S., Rahmani, H., Shah, S. A. A., & Bennamoun, M. (2018). A Guide to Convolutional Neural
Networks for Computer Vision. Synthesis Lectures on Computer Vision, 8(1), 1–207.
https://doi.org/10.2200/s00822ed1v01y201712cov015
Kheiri, F. (2018). A review on optimization methods applied in energy-e ffi cient building geometry
and envelope design. Renewable and Sustainable Energy Reviews, 92(April), 897–920.
https://doi.org/https://doi.org/10.1068%2Fb080295
Kim, Hanjun, Moon, J., & Lee, B. (2019). RGB-to-TSDF: Direct TSDF Prediction from a Single RGB
Image for Dense 3D Reconstruction. IEEE International Conference on Intelligent Robots and
Systems, 6714–6720. https://doi.org/10.1109/IROS40897.2019.8968566
Kim, Hyunjung. (2021). Evaluation of deep learning-based automatic floor plan analysis technology:
An ahp-based assessment. Applied Sciences (Switzerland), 11(11).
https://doi.org/10.3390/app11114727
Klein, A. (1980). Ensayo de un método gráfico para la valoración de plantas de pequeñas viviendas. In
Vivienda Mínima: 1906-1957 (p. p.125-130). Barcelona: Gustavo Gili.
Knecht, K., & Koenig, R. (2010). Generating Floor Plan Layouts with K-d Trees and Evolutionary
Algorithms. GA2010 - 13th Generative Art Conference, (January 2010).
Koch, D., Despotovic, M., Leiber, S., Sakeena, M., Döller, M., & Zeppelzauer, M. (2019a). Real Estate
Image Analysis: A Literature Review. Journal of Real Estate Literature, 27(2), 271–300.
https://doi.org/10.22300/0927-7544.27.2.269
Koch, D., Despotovic, M., Leiber, S., Sakeena, M., Döller, M., & Zeppelzauer, M. (2019b). Real Estate
Image Analysis: A Literature Review. Journal of Real Estate Literature, 27(2), 271–300.
https://doi.org/10.22300/0927-7544.27.2.269
Kowaltovski, D. C. C. K., Celani, M. G. C., Moreira, D. de C., Pina, S. A. M. G., Ruschel, R. C., da
Silva, V. G., … Petreche, J. R. D. (2006). Reflexão Sobre Metodologias de Projeto
Arquitetônico. Ambiente Construído, 6(11), 7–19.
Kowaltowski, D. C. C. K., Atália, E., Muianga, D., Denis, A., Moreira, D. D. C., Bernardini, S. P., …
A, M. R. C. (2019). A critical analysis of research of a mass-housing programme A critical
analysis of research of a mass-housing programme. Building Research & Information, 47(6),
716–733. https://doi.org/10.1080/09613218.2018.1458551
Kowaltowski, D. C. C. K., Muianga, E. A. D., Granja, A. D., Moreira, D. de C., Bernardini, S. P., &
Castro, M. R. (2019). A critical analysis of research of a mass-housing programme. Building
Research & Information, 47(6), 716–733. https://doi.org/10.1080/09613218.2018.1458551
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional
neural networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386

145
LabEEE. (2020). Arquivos Climáticos. Retrieved from https://labeee.ufsc.br/downloads/arquivos-
climaticos
LaGro, J. A. (2007). Site analysis : a contextual approach to sustainable land planning and site design.
(John Wiley & Sons, Ed.) (2nd Editio). New Jersey.
Lamberts, R. (2011). Centro Tecnológico - Departamento De Engenharia Civil Conforto E Stress
Térmico. Retrieved from www.labeee.ufsc.br
Lamberts, R. (2016). Desempenho térmico de edificações. Florianópolis.
Larcher, V. M. (2005). Diretrizes visando a melhoria de projetos e soluções. Universidade Federal do
Paraná. Retrieved from https://acervodigital.ufpr.br/handle/1884/3514
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
Lecun, Y., Bottou, L., Bengio, Y., & Ha, P. (1998). LeNet. Proceedings of the IEEE, (November), 1–
46.
Lee, C. Y., Badrinarayanan, V., Malisiewicz, T., & Rabinovich, A. (2017). RoomNet: End-to-End
Room Layout Estimation. In Proceedings of the IEEE International Conference on Computer
Vision (Vol. 2017-Octob, pp. 4875–4884). https://doi.org/10.1109/ICCV.2017.521
Lee, J., & Funkhouser, T. (2008). Sketch-based search and composition of 3D models. Proceedings of
the Fifth Eurographics Conference on Sketch-Based Interfaces and Modeling, 97–104.
https://doi.org/10.2312/SBM/SBM08/097-104
Levin, P. H. (1964). Use of graphs to decide the optimum layout of buildings. Architects’ Journal, 140,
809–815.
Li, C. K., Zhang, H. X., Liu, J. X., Zhang, Y. Q., Zou, S. C., & Fang, Y. T. (2020). Window Detection
in Facades Using Heatmap Fusion. Journal of Computer Science and Technology, 35(4), 900–
912. https://doi.org/10.1007/s11390-020-0253-4
Li, M., Patil, A. G., Xu, K., Chaudhuri, S., Khan, O., Shamir, A., … Zhang, H. (2019). Grains:
Generative recursive autoencoders for indoor scenes. ACM Transactions on Graphics, 38(2).
https://doi.org/10.1145/3303766
Li, W., He, C., Fang, J., Zheng, J., Fu, H., & Yu, L. (2019). Semantic segmentation-based building
footprint extraction using very high-resolution satellite images and multi-source GIS data.
Remote Sensing, 11(4). https://doi.org/10.3390/rs11040403
Li, Yabei, Zhang, J., Cheng, Y., Huang, K., & Tan, T. (2018). Df 2 Net: A discriminative feature
learning and fusion network for RgB-D indoor scene classification. 32nd AAAI Conference on
Artificial Intelligence, AAAI 2018, 7041–7048.
Li, Yan, Chen, Y., Rajabifard, A., Khoshelham, K., & Aleksandrov, M. (2018). Estimating building
age from google street view images using deep learning. In Leibniz International Proceedings in
Informatics, LIPIcs (Vol. 114, pp. 1–7). https://doi.org/10.4230/LIPIcs.GIScience.2018.40
Lima, B. A. A. de, & Zanirato, S. H. (2019). Habitação social e mudanças climáticas em São Paulo:
potencialidades e limites da reabilitação de edifícios vazios no centro como medida de adaptação
e mitigação. In: ENCONTRO NACIONAL DA ASSOCIAÇÃO NACIONAL DE PÓS-
GRADUAÇÃO E PESQUISA EM PLANEJAMENTO URBANO E REGIONAL, 18, 2019, Natal.

146
 Retrieved from http://anpur.org.br/xviiienanpur/anaisadmin/capapdf.php?reqid=1312
Lin, G., Milan, A., Shen, C., & Reid, I. (2017). RefineNet: Multi-path refinement networks for high-
resolution semantic segmentation. Proceedings - 30th IEEE Conference on Computer Vision and
Pattern Recognition, CVPR 2017, 2017-Janua, 5168–5177.
https://doi.org/10.1109/CVPR.2017.549
Lin, Z., & Deng, S. (2008). A study on the thermal comfort in sleeping environments in the subtropics-
Developing a thermal comfort model for sleeping environments. Building and Environment,
43(1), 70–81. https://doi.org/10.1016/j.buildenv.2006.11.026
Lippoldt, F. (2019). Window Detection in Facades for Aerial Texture Files of 3D CityGML Models.
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops.
Retrieved from
https://openaccess.thecvf.com/content_CVPRW_2019/papers/DOAI/Lippoldt_Window_Detectio
n_in_Facades_for_Aerial_Texture_Files_of_3D_CVPRW_2019_paper.pdf
Liu, C., Wu, J., Kohli, P., & Furukawa, Y. (2017). Raster-to-Vector: Revisiting Floorplan
Transformation. In Proceedings of the IEEE International Conference on Computer Vision (Vol.
2017-Octob, pp. 2214–2222). https://doi.org/10.1109/ICCV.2017.241
Liu, H., Xu, Y., Zhang, J., Zhu, J., Li, Y., & Hoi, S. C. H. (2020). DeepFacade: A Deep Learning
Approach to Facade Parsing With Symmetric Loss. In IEEE Transactions on Multimedia (Vol.
22, pp. 3153–3165). https://doi.org/10.1109/TMM.2020.2971431
Liu, H., Zhang, J., Zhu, J., & Hoi, S. C. H. (2017). Deepfacade: A deep learning approach to facade
parsing. In IJCAI International Joint Conference on Artificial Intelligence (pp. 2301–2307).
Liu, P., Liu, X., Liu, M., Shi, Q., Yang, J., Xu, X., & Zhang, Y. (2019). Building footprint extraction
from high-resolution images via spatial residual inception convolutional neural network. Remote
Sensing, 11(7). https://doi.org/10.3390/rs11070830
Liu, T., Hertzmann, A., Li, W., & Funkhouser, T. (2015). Style compatibility for 3D furniture models.
ACM Transactions on Graphics, 34(4). https://doi.org/10.1145/2766898
Liu, X., Li, H., Meng, W., Xiang, S., & Zhang, X. (2017). 3D Point Cloud Classification Based on
Discrete Conditional Random Field (Vol. 3, pp. 115–137). https://doi.org/10.1007/978-3-319-
65849-0_14
Liu, Y., Zhou, J., Qi, W., Li, X., Gross, L., Shao, Q., … Li, Z. (2020). ARC-Net: An Efficient Network
for Building Extraction from High-Resolution Aerial Images. IEEE Access, 8, 154997–155010.
https://doi.org/10.1109/ACCESS.2020.3015701
Lo, T. T., Schnabel, M. A., & Gao, Y. (2015). ModRule: A user-centric mass housing design platform.
Communications in Computer and Information Science, 527, 236–254.
https://doi.org/10.1007/978-3-662-47386-3_13
Logsdon, L. (2019). Qualidade habitacional: instrumental de apoio ao projeto de moradias sociais.
Universidade de São Paulo, São Carlos. https://doi.org/10.11606/T.102.2019.tde-25112019-
091019
Long, J., Shelhamer, E., & Darrell, T. (2017). Fully Convolutional Networks for Semantic
Segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 39(4), 640–

147
 651. https://doi.org/10.1109/TPAMI.2016.2572683
Lopes, J. M. de A., & Shimbo, L. Z. (2015). Projeto e produção da habitação na região central do
estado de São Paulo: condições e contradições do PMCMV. In Minha casa... e a cidade?
avaliação do programa minha casa minha vida em seis estados brasileiros. Rio de Janeiro: Letra
Capital.
Lotte, R. G., Haala, N., Karpina, M., de Aragão, L. E. O. e. C., & Shimabukuro, Y. E. (2018). 3D
façade labeling over complex scenarios: A case study using convolutional neural network and
structure-from-motion. Remote Sensing, 10(9). https://doi.org/10.3390/rs10091435
Lucic, M., Kurach, K., Michalski, M., Bousquet, O., & Gelly, S. (2018). Are Gans created equal? A
large-scale study. Advances in Neural Information Processing Systems, 2018-Decem(Nips), 700–
709.
Ludovico, S. S. de A., & Brandão, D. Q. (2018). Caracterização da identidade morfológica do espaço
arquitetônico de uma habitação evolutiva, 13(1), 39–58.
https://doi.org/http://dx.doi.org/10.11606/gtp.v13i1.114463 CARACTERIZAÇÃO
Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B. A. (2019). Deep learning in remote sensing
applications: A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote
Sensing, 152(April), 166–177. https://doi.org/10.1016/j.isprsjprs.2019.04.015
Ma, R., Li, H., Zou, C., Liao, Z., Tong, X., & Zhang, H. (2016). Action-driven 3D indoor scene
evolution. ACM Transactions on Graphics, 35(6), 1–13.
https://doi.org/10.1145/2980179.2980223
Ma, W., Ma, W., Xu, S., & Zha, H. (2020). Pyramid ALKNet for Semantic Parsing of Building Facade
Image. IEEE Geoscience and Remote Sensing Letters, 1–5.
https://doi.org/10.1109/lgrs.2020.2993451
Ma, W., Xu, S., Ma, W., & Zha, H. (2020). Multiview Feature Aggregation for Facade Parsing. IEEE
Geoscience and Remote Sensing Letters, 1–5. https://doi.org/10.1109/lgrs.2020.3035721
Macé, S., Locteau, H., Valveny, E., & Tabbone, S. (2010). A system to detect rooms in architectural
floor plan images. In Proceedings of the 8th IAPR International Workshop on Document Analysis
Systems - DAS ’10 (pp. 167–174). New York, New York, USA: ACM Press.
https://doi.org/10.1145/1815330.1815352
Maricato, E. (1987). Politica habitacional no regime militar: do milagre brasileiro a crise economica.
Petropolis: Vozes.
Maricato, E. (2010). O Estatuto da cidade periférica. In O estatuto da cidade comentado (pp. 5–22).
São Paulo. Retrieved from https://secid.ma.gov.br/files/2014/09/Estatuto-da-Cidade-
comentado.pdf
Marmanis, D., Schindler, K., Wegner, J. D., Galliani, S., Datcu, M., & Stilla, U. (2018). Classification
with an edge: Improving semantic image segmentation with boundary detection. ISPRS Journal
of Photogrammetry and Remote Sensing, 135, 158–172.
https://doi.org/10.1016/j.isprsjprs.2017.11.009
Marroquim, F. M. G., & Barbirato, G. M. (2007). Flexibilidade espacial em projetos de habitações de
interesse social.

148
Martino, J. A. de. (2015). Algoritmos evolutivos como método para desenvolvimento de projetos de
arquitetura. Universidade de Campinas. Retrieved from
http://repositorio.unicamp.br/jspui/handle/REPOSIP/258033
Martinovic, A., Knopp, J., Riemenschneider, H., & Van Gool, L. (2015). 3D all the way: Semantic
segmentation of urban scenes from start to end in 3D. In 2015 IEEE Conference on Computer
Vision and Pattern Recognition (CVPR) (pp. 4456–4465). IEEE.
https://doi.org/10.1109/CVPR.2015.7299075
Martins, D. das N. (1999). Metodologia para determinar e avaliar a qualidade e o custo da solução
geométrica do projeto arquitetônico de apartamentos. Universidade Federal de Santa Catarina.
Retrieved from http://repositorio.ufsc.br/xmlui/handle/123456789/81094
Martins, M. S., Romanini, A., Mussi, A. Q., & Folle, D. (2013). Projeto de habitações flexíveis de
interesse social. Oculum Ensaios, 10(2), 301. https://doi.org/10.24220/2318-0919v10n2a2148
Mascaro, J. L. (1985). O Custo das decisões arquitetônicas. Nobel.
Máximo, F. R. C. C. (2012). Moradia, arquitetura e cidade: mudanças e permanências na produção
da habitação social no espaço urbano metropolitano de Fortaleza. Universidade de São Paulo.
Maxwell, A. E., Warner, T. A., & Guillén, L. A. (2021). Accuracy assessment in convolutional neural
network-based deep learning remote sensing studies—part 1: Literature review. Remote Sensing,
13(13). https://doi.org/10.3390/rs13132450
Mayer, R. (2012). A Gramática Da Habitação Mínima: Análise do Projeto da Habitação de Interesse
Social em Porto Alegre e Região Metropolitana. Universidade Federal do Rio Grande do Sul.
McMillan, L., & Gortler, S. (1999). Image-based rendering. ACM SIGGRAPH Computer Graphics,
33(4), 61–64. https://doi.org/10.1145/345370.345415
Melhado, S. B. (1994). Qualidade de projeto na construção de edifícios: aplicação ao caso das
empresas de incorporação e construção. Universidade de São Paulo.
Mendes, L. T. (2014). Personalização de Habitação de Interesse Social no Brasil: o caso da
implantação urbana em conjuntos habitacionais. Universidade Estadual de Campinas. Retrieved
from http://repositorio.unicamp.br/jspui/handle/REPOSIP/258031?mode=full
Michalek, J. J. (2001). Interactive Layout Design Optimization. University of Michigan.
Milosavljević, A. (2020). Automated processing of remote sensing imagery using deep semantic
segmentation: a building footprint extraction case. ISPRS International Journal of Geo-
Information, 9(8). https://doi.org/10.3390/ijgi9080486
Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., & Terzopoulos, D. (2020). Image
Segmentation Using Deep Learning: A Survey, 1–23. Retrieved from
http://arxiv.org/abs/2001.05566
Ministério das Cidades. (2016). Programa Minha Casa, Minha Vida - Especificações Técnicas.
Retrieved August 20, 2006, from www.cidades.gov.br/habitacao-cidades/programa-minha-casa-
minha-vida-pmcmv/especificacoes-tecnicas
Ministério do Meio Ambiente. (1992). Agenda 21. Retrieved from
http://www.mma.gov.br/responsabilidade-socioambiental/agenda-21
Mitchell, M. (1998). An Introduction to Genetic Algorithms (1st ed.). Cambridge: MIT Press.

149
MOM. (2004). Teoria dos suportes. Retrieved March 18, 2022, from
http://www.mom.arq.ufmg.br/mom/03_ob/suportes.htm
MOM. (2019). Arquitetura e participação: a caminho da produção de interfaces e não de espaços
acabados. Retrieved November 1, 2021, from
http://www.mom.arq.ufmg.br/mom/10_arquitetos/quadro.htm
Moreira, V. L. B., & Pina, S. M. G. (2012). Mais do mesmo? A trajetória da habitação social no Brasil.
Paranoá: Cadernos de Arquitetura e Urbanismo, (6). https://doi.org/10.18830/issn.1679-
0944.n6.2012.12278
Moreno, A. C. R. (2013). Minha Casa Minha Vida: análise de desempenho térmico pela NBR 15.220,
15.575, Selo Azul da Caixa e RTQ-R. Universidade Federal de Minas Gerais.
Moreno, A. C. R., Morais, I. S. de, & Souza, R. V. G. de. (2017). Thermal performance of social
housing – A study based on brazilian regulations. Energy Procedia, 111(September 2016), 111–
120. https://doi.org/10.1016/j.egypro.2017.03.013
Morishita, C. (2011). Impacto do regulamento para eficiência energética em edificações no consumo
de energia elétrica do setor residencial brasileiro. Universidade Federal de Santa Catarina.
Mororó, M. S. de M. (2012). Habitação progressiva autoconstruída: caracterização morfológica com
uso da gramática da forma. Universidade Federal do Ceará.
Mororó, M. S. de M. (2015). Habitação progressiva autoconstruída: Caracterização morfológica com
uso da gramática da forma. Arquiteturarevista, 11(2), 76–92.
https://doi.org/10.4013/arq.2015.112.03
Mosella-Montoro, A., & Ruiz-Hidalgo, J. (2021). 2D–3D Geometric Fusion network using Multi-
Neighbourhood Graph Convolution for RGB-D indoor scene classification. Information Fusion,
76, 46–54. https://doi.org/10.1016/j.inffus.2021.05.002
Murphy, K. P. (2012). Machine Learning: a probabilistic perspective. Cambridge: Mit Press.
Mussi, A. (2011). Projeto de HIS Evolutiva: Gramática da Forma para Ampliação da Unidade
Habitacional Mínima, 60–70. https://doi.org/10.4237/sbqp.11.353
Mussi, A. (2014). Os Padrões de Ampliação Espontânea de Habitações de Interesse Social em Porto
Alegre , RS , e Região Metropolitana : Uma Proposta de Aplicação da Gramática da Forma e
Sintaxe Espacial. Universidade Federal do Rio Grande do Sul. Retrieved from
http://hdl.handle.net/10183/108989
Nascimento, D. M., Costa, H. S. de M., Mendonça, J. G. de, Lopes, M. S. B., Lamounier, R. da F.,
Salomão, T. M. N., & Soares, A. C. B. (2015). Programa Minha Casa Minha Vida: desafios e
avanços na Região Metropolitana de Belo Horizonte. In Minha Casa... E a Cidade? Avaliação do
Programa Minha Casa Minha Vida em seis estados Brasileiros. Rio de Janeiro: Letra Capital.
Naseer, M., Khan, S., & Porikli, F. (2019). Indoor Scene Understanding in 2.5/3D for Autonomous
Agents: A Survey. IEEE Access, 7, 1859–1887. https://doi.org/10.1109/ACCESS.2018.2886133
Nauata, N., Chang, K.-H., Cheng, C.-Y., Mori, G., & Furukawa, Y. (2020a). House-GAN: Relational
Generative Adversarial Networks for Graph-Constrained House Layout Generation (pp. 162–
177). https://doi.org/10.1007/978-3-030-58452-8_10
Nauata, N., Chang, K. H., Cheng, C. Y., Mori, G., & Furukawa, Y. (2020b). House-GAN: Relational

150
 generative adversarial networks for graph-constrained house layout generation. ArXiv.
https://doi.org/10.1007/978-3-030-58452-8_10
Nayef, N., & Breuel, T. M. (2013). On the Use of Geometric Matching for Both: Isolated Symbol
Recognition and Symbol Spotting. In Lecture Notes in Computer Science (including subseries
Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 7423 LNCS,
pp. 36–48). https://doi.org/10.1007/978-3-642-36824-0_4
Newton, D. (2019). Generative Deep Learning in Architectural Design. Technology Architecture and
Design, 3(2), 176–189. https://doi.org/10.1080/24751448.2019.1640536
Nguyen, A., Reiter, S., & Rigo, P. (2014). A review on simulation-based optimization methods applied
to building performance analysis. APPLIED ENERGY, 113, 1043–1058.
https://doi.org/10.1016/j.apenergy.2013.08.061
Nicol, J. F., & Humphreys, M. A. (1973). Thermal Comfort As Part of a Self-Regulating System. Build
Res Pract, 1(3), 174–179. https://doi.org/10.1080/09613217308550237
Nishida, G., Bousseau, A., & Aliaga, D. G. (2018). Procedural modeling of a building from a single
image. Computer Graphics Forum, 37(2), 415–429. https://doi.org/10.1111/cgf.13372
Noh, H., Hong, S., & Han, B. (2015). Learning deconvolution network for semantic segmentation.
Proceedings of the IEEE International Conference on Computer Vision, 2015 Inter, 1520–1528.
https://doi.org/10.1109/ICCV.2015.178
Obeso, A. Montoya, Benois-Pineau, J., Vázquez, M. S. G., & Acosta, A. A. R. (2019). Saliency-based
selection of visual content for deep convolutional neural networks: Application to architectural
style classification. Multimedia Tools and Applications, 78(8), 9553–9576.
https://doi.org/10.1007/s11042-018-6515-2
Obeso, Abraham Montoya, Benois-Pineau, J., Acosta, A. Á. R., & Vázquez, M. S. G. (2016).
Architectural style classification of Mexican historical buildings using deep convolutional neural
networks and sparse features. Journal of Electronic Imaging, 26(1), 011016.
https://doi.org/10.1117/1.jei.26.1.011016
Obeso, Abraham Montoya, Vázquez, M. S. G., Acosta, A. A. R., & Benois-Pineau, J. (2017).
Connoisseur: Classification of styles of Mexican architectural heritage with deep learning and
visual attention prediction. ACM International Conference Proceeding Series, Part F1301.
https://doi.org/10.1145/3095713.3095730
Oxman, R. (2006). Theory and design in the first digital age. Design Studies, 27(3), 229–265.
https://doi.org/10.1016/j.destud.2005.11.002
Palermo, C. (2009). Sustentabilidade Social do Habitar. Florianópolis: Carolina Palermo.
Palermo, C., Morais, G., Costa, M., & Felipe, C. (2007). Habitação social: uma visão projetual. In IV
Colóquio de Pesquisas em Habitação “Coordenação Modular e Mutabilidade.” Belo Horizonte.
Retrieved from http://www.mom.arq.ufmg.br/mom/coloquiomom/comunicacoes/palermo.pdf
Pan, X., Yang, F., Gao, L., Chen, Z., Zhang, B., Fan, H., & Ren, J. (2019). Building Extraction from
High-Resolution Aerial Imagery Using a Generative Adversarial Network with Spatial and
Channel Attention Mechanisms. Remote Sensing, 11(8), 917. https://doi.org/10.3390/rs11080917
Parente, J. M., Rodrigues, E., Fernandes, M. S., Rangel, B., & Poças Martins, J. (2019). Generation of

151
 a Reference Dataset with Twenty Low-Income Single-Family Houses in Fortaleza, Brazil and
Thermal Discomfort Assessment. Energy for Sustainability International Conference 2019 –
Designing a Sustainable Future, 24-26 Jul, Turin, Italy, (July), 24–26. Retrieved from
http://hdl.handle.net/10316/87226
Pasquali, G., Iannelli, G. C., & Dell’Acqua, F. (2019). Building footprint extraction from multispectral,
spaceborne earth observation datasets using a structurally optimized U-Net convolutional neural
network. Remote Sensing, 11(23), 1–20. https://doi.org/10.3390/rs11232803
Pateman, C. (2009). Participação e teoria democrática. Paz & Terra.
Paulsen, J. S., & Sposto, R. M. (2013). A life cycle energy analysis of social housing in Brazil: Case
study for the program “my house my life.” Energy and Buildings, 57(2013), 95–102.
https://doi.org/10.1016/j.enbuild.2012.11.014
Pedro, J. A. C. B. de O. (2000). Definição e avaliação da qualidade arquitectónica habitacional.
Universidade do Porto.
Peña, A., & Brandão, D. (2014). Habitações de Interesse Social evolutivas: análise de projetos flexíveis
quanto à construtibilidade no momento de ampliação. XV Encontro Nacional de Tecnologia Do
Ambiente Construído, 1(November 2014), 1993–2002. https://doi.org/10.17012/entac2014.248
Peponis, J., Wineman, J., Bafna, S., Rashid, M., & Kim, S. H. (1998). On the generation of linear
representations of spatial configuration. Environment and Planning B: Planning and Design,
25(4), 559–576. https://doi.org/10.1068/b250559
Pequeno, R., & Aragão, T. (2009). Dimensão Habitacional da Região Metropolitana de Fortaleza. In
Conjuntura Urbana 5: Como anda Fortaleza (Segunda Ed). Rio de Janeiro: Letra Capital.
Pequeno, R., & Rosa, S. V. (2015). Inserção urbana e segregação espacial: análise do Programa Minha
Casa Minha Vida em Fortaleza. XVI Enanpur, 131–164. Retrieved from
http://repositorio.ufc.br/bitstream/riufc/24487/1/2015_eve_lrbpequeno.pdf
Pérez-andreu, V., Aparicio-fernández, C., Martínez-ibernón, A., & Vivancos, L. (2018). Impact of
climate change on heating and cooling energy demand in a residential building in a
Mediterranean climate. Energy, 165, 63–74. https://doi.org/10.1016/j.energy.2018.09.015
Pierangioli, L., Cellai, G., Ferrise, R., Trombi, G., & Bindi, M. (2014). Effectiveness of passive
measures against climate change : Case studies in Central Italy. Building Simulation.
https://doi.org/10.1007/s12273-016-0346-8
Pino-Mejías, R., Pérez-Fargallo, A., Rubio-Bellido, C., & Pulido-Arcas, J. A. (2018). Artificial neural
networks and linear regression prediction models for social housing allocation: Fuel Poverty
Potential Risk Index. Energy, 164, 627–641. https://doi.org/10.1016/j.energy.2018.09.056
PMI. (2017). Um Guia do Conhecimento em Gerenciamento de Projetos (Guia PMBOK) (Sixth).
Newton Square: Project Management Institute.
Portas, N. (1965). As Ciências Humanas na Renovação da Formação do Arquitecto. Análise Social,
3(III/12), 517/524.
Procel Info. (2006). Procel edifica - eficiência energética nas edificações. Retrieved May 21, 2018,
from
http://www.procelinfo.com.br/data/Pages/LUMIS623FE2A5ITEMIDC46E0FFDBD124A0197D

152
 2587926254722LUMISADMIN1PTBRIE.htm
Qian, W., Xu, Y., & Li, H. (2021). A self-sparse generative adversarial network for autonomous early-
stage design of architectural sketches. Computer-Aided Civil and Infrastructure Engineering, 1–
17. https://doi.org/10.1111/mice.12759
Qualitel. (2020). Qui sommes nous? Retrieved November 9, 2021, from https://www.qualitel.org/
Radford, A, Metz, L., & Chintala, S. (2016). Unsupervised Representation Learning with Deep
Convolutional Generative Adversarial Networks. CoRR, abs/1511.0.
Radford, Alec, Metz, L., & Chintala, S. (2016). Unsupervised representation learning with deep
convolutional generative adversarial networks. In 4th International Conference on Learning
Representations, ICLR 2016 - Conference Track Proceedings (pp. 1–16).
Rahbar, M., Mahdavinejad, M., Bemanian, M., Davaie Markazi, A. H., & Hovestadt, L. (2019).
Generating Synthetic Space Allocation Probability Layouts Based on Trained Conditional-
GANs. Applied Artificial Intelligence, 33(8), 689–705.
https://doi.org/10.1080/08839514.2019.1592919
Rahmani, K., & Mayer, H. (2018). High Quality Facade Segmentation Based on Structured Random
Forest, Region Proposal Network and Rectangular Fitting. In ISPRS Annals of the
Photogrammetry, Remote Sensing and Spatial Information Sciences (Vol. 4, pp. 223–230).
https://doi.org/10.5194/isprs-annals-IV-2-223-2018
Rao, S. S. (2009). Engineering Optimization: Theory and Practice (4th ed.). John Wiley & Sons.
Ratti, C. et al. (2011). Open source architecture (OSArc). Domus (948).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time
object detection. Proceedings of the IEEE Computer Society Conference on Computer Vision and
Pattern Recognition, 2016-Decem, 779–788. https://doi.org/10.1109/CVPR.2016.91
Reis, A. (2000). Fenótipos na habitação social, genótipos reveladores de sua estrutura espacial e níveis
de satisfação. Entac. Retrieved from
http://www.infohab.org.br/entac2014/2000/Artigos/ENTAC2000_101.pdf
Reis, A. T. da L., & Lay, M. C. D. (2002). Tipos arquitetônicos e dimensões dos espaços da habitação
social Introdução. Ambiente Construído, 2(3), 7–24. Retrieved from
https://www.lume.ufrgs.br/bitstream/handle/10183/31646/000365984.pdf?sequence=1
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection
with Region Proposal Networks. In C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama, & R.
Garnett (Eds.), Advances in Neural Information Processing Systems 28 (pp. 91–99). Curran
Associates, Inc. Retrieved from http://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-
object-detection-with-region-proposal-networks.pdf
Ringuest, J. L. (1992). Multiobjective Optimization: Behavioral and Computational Considerations.
Boston, MA: Springer US. https://doi.org/10.1007/978-1-4615-3612-3
Ripperda, N. (2008). Determination of Facade Attributes for Facade Reconstruction. ISPRS Congress
Beijing 2008 Proceedings of Commission III, 285–290.
Ripperda, Nora, & Brenner, C. (2006). Reconstruction of façade structures using a formal grammar and
RjMCMC. Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial

153
 Intelligence and Lecture Notes in Bioinformatics), 4174 LNCS, 750–759.
https://doi.org/10.1007/11861898_75
Ripperda, Nora, & Brenner, C. (2009). Application of a Formal Grammar to Facade Reconstruction in
Semiautomatic and Automatic Environments. 12th AGILE International Conference on
Geographic Information Science, 1–12. Retrieved from http://www.ikg.uni-
hannover.de/agile/fileadmin/agile/paper/44.pdf
Ritchie, D., Wang, K., & Lin, Y. A. (2019). Fast and flexible indoor scene synthesis via deep
convolutional generative models. In Proceedings of the IEEE Computer Society Conference on
Computer Vision and Pattern Recognition (Vol. 2019-June, pp. 6175–6183).
https://doi.org/10.1109/CVPR.2019.00634
Robert, A., & Kummert, M. (2012). Designing net-zero energy buildings for the future climate, not for
the past. Building and Environment, 55, 150–158. https://doi.org/10.1016/j.buildenv.2011.12.014
Roberti, F., Oberegger, U. F., & Gasparella, A. (2015). Calibrating historic building energy models to
hourly indoor air and surface temperatures: Methodology and case study. Energy and Buildings,
108, 236–243. https://doi.org/10.1016/j.enbuild.2015.09.010
Rodrigues, E., Carvalho, D., & Fernandes, M. S. (2022). Future Weather Generator: Morphs current
weather for performance simulation of buildings in the future. Retrieved October 12, 2022, from
https://adai.pt/future-weather-generator/
Rodrigues, E., Fernandes, M. S., Gomes, Á., Gaspar, A. R., & Costa, J. J. (2019). Performance-based
design of multi-story buildings for a sustainable urban environment: A case study. Renewable
and Sustainable Energy Reviews, 113(February), 109243.
https://doi.org/10.1016/j.rser.2019.109243
Rodrigues, E., Gaspar, A. R., & Gomes, Á. (2013). An evolutionary strategy enhanced with a local
search technique for the space allocation problem in architecture, Part 1: Methodology.
Computer-Aided Design, 45(5), 887–897.
https://doi.org/https://doi.org/10.1016/j.cad.2013.01.001
Rodríguez, A. S. C. (2016). Qualidade da habitação nos assentamentos rurais no PNHR/PMCMV do
estado de São Paulo, 188.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image
segmentation. Lecture Notes in Computer Science (Including Subseries Lecture Notes in
Artificial Intelligence and Lecture Notes in Bioinformatics), 9351, 234–241.
https://doi.org/10.1007/978-3-319-24574-4_28
Rose, D., & Bex, P. (2020). The Linguistic Analysis of Scene Semantics: LASS. Behavior Research
Methods, 2020(2013). https://doi.org/10.3758/s13428-020-01390-8
Royer, L. de O. (2009). Financeirização da política habitacional: limites e perspectivas. Universidade
de São Paulo, São Paulo. https://doi.org/10.11606/T.16.2009.tde-19032010-114007
Royer, L. de O. (2016). O FGTS e o mercado de títulos de base imobiliária: relações e tendências.
Cadernos Metrópole, 18(35), 33–52. https://doi.org/10.1590/2236-9996.2016-3502
Sadeghi, F., Arefi, H., Fallah, A., & Hahn, M. (2015). 3D building façade reconstruction using
handheld laser scanning data. International Archives of the Photogrammetry, Remote Sensing

154
 and Spatial Information Sciences - ISPRS Archives, 40(1W5), 625–630.
https://doi.org/10.5194/isprsarchives-XL-1-W5-625-2015
Saffer Medvedovski, N., De Azevedo dos Santos, L., & Benedetti Santiago, G. (2020). Assistência
Técnica Para Habitação De Interesse Social (Athis): O Ciclo Caat E Suas Contribuições.
Expressa Extensão, 25(1), 85. https://doi.org/10.15210/ee.v25i1.17259
Santos, A. P. B. dos. (2009). Cyberarchitecture: the virtualisation of architecture beyond
representation towards interactivity. University College London. Retrieved from
https://discovery.ucl.ac.uk/id/eprint/17414
Santos, M. (2005). A urbanização Brasileira (5th ed.). São Paulo: Edusp.
Santosh, K. C., Lamiroy, B., & Wendling, L. (2014). Integrating vocabulary clustering with spatial
relations for symbol recognition. International Journal on Document Analysis and Recognition
(IJDAR), 17(1), 61–78. https://doi.org/10.1007/s10032-013-0205-4
Schaeffer, R., Szklo, A. S., Lucena, A. F. P. de, Souza, R. R. de, Borba, B. S. M. C., Costa, I. V. L. da,
… Cunha, S. H. F. da. (2008). Mudanças climáticas e segurança energética no Brasil. Rio de
Janeiro.
Schaffer, J. D. (1984). Some experiments in machine learning using vector evaluated genetic
algorithms (artificial intelligence, optimization, adaptation, pattern recognition). Faculty Of
Graduate School. Vanderbilt University. Retrieved from
http://www.osti.gov/energycitations/product.biblio.jsp?osti_id=5673304
Schmidt, R., Wyvill, B., Sousa, M. C., & Jorge, J. A. (2006). ShapeShop: Sketch-based solid modeling
with BlobTrees. SIGGRAPH 2006 - ACM SIGGRAPH 2006 Courses.
https://doi.org/10.1145/1185657.1185775
Schmitz, M., & Mayer, H. (2016). A convolutional network for semantic facade segmentation and
interpretation. In International Archives of the Photogrammetry, Remote Sensing and Spatial
Information Sciences - ISPRS Archives (Vol. 41, pp. 709–715).
https://doi.org/10.5194/isprsarchives-XLI-B3-709-2016
Schneider, T., & till, J. (2005). Flexible housing: Opportunities and limits. Architectural Research
Quarterly, 9(2), 157–166. https://doi.org/10.1017/S1359135505000199
Schuegraf, P., & Bittner, K. (2019). Automatic building footprint extraction from multi-resolution
remote sensing images using a hybrid FCN. ISPRS International Journal of Geo-Information,
8(4), 1–16. https://doi.org/10.3390/ijgi8040191
Shalunts, G. (2015). Architectural Style Classification of Building Facade Towers (Vol. 2, pp. 285–
294). https://doi.org/10.1007/978-3-319-27857-5_26
Shalunts, G., Haxhimusa, Y., & Sablatnig, R. (2011). Architectural Style Classification of Building
Facade Windows. In Lecture Notes in Computer Science (including subseries Lecture Notes in
Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 9474, pp. 280–289).
https://doi.org/10.1007/978-3-642-24031-7_28
Shalunts, G., Haxhimusa, Y., & Sablatnig, R. (2012). Architectural Style Classification of Domes (pp.
420–429). https://doi.org/10.1007/978-3-642-33191-6_41
Sharma, D., & Chattopadhyay, C. (2017). ROBIN and S-ROBIN dataset. Retrieved November 9, 2021,

155
 from https://github.com/gesstalt/ROBIN.git
Sharma, D., Gupta, N., Chattopadhyay, C., & Mehta, S. (2017). DANIEL: A Deep Architecture for
Automatic Analysis and Retrieval of Building Floor Plans. In Proceedings of the International
Conference on Document Analysis and Recognition, ICDAR (Vol. 1, pp. 420–425).
https://doi.org/10.1109/ICDAR.2017.76
Sharma, D., Gupta, N., Chattopadhyay, C., & Mehta, S. (2019a). A novel feature transform framework
using deep neural network for multimodal floor plan retrieval. International Journal on
Document Analysis and Recognition, 22(4), 417–429. https://doi.org/10.1007/s10032-019-00340-
1
Sharma, D., Gupta, N., Chattopadhyay, C., & Mehta, S. (2019b). REXplore: A sketch based interactive
explorer for real estates using building floor plan images. In Proceedings - 2018 IEEE
International Symposium on Multimedia, ISM 2018 (pp. 61–64). IEEE.
https://doi.org/10.1109/ISM.2018.00018
Shi, Y., Li, Q., & Zhu, X. X. (2019). BFGAN-building footprint extraction from satellite images. In
2019 Joint Urban Remote Sensing Event, JURSE 2019 (pp. 1–4). IEEE.
https://doi.org/10.1109/JURSE.2019.8809048
Shimbo, L. Z. (2010). Habitação Social, Habitação de Mercado: A confluência entre Estado, empresas
construtoras e capital financeiro. Escola de Engenharia de São Carlos.
https://doi.org/10.11606/T.18.2010.tde-04082010-100137
Simonsen, C. P., Thiesson, F. M., Philipsen, M. P., & Moeslund, T. B. (2021). Generalizing Floor
Plans Using Graph Neural Networks. In 2021 IEEE International Conference on Image
Processing (ICIP) (Vol. 1, pp. 654–658). IEEE.
https://doi.org/10.1109/ICIP42928.2021.9506514
Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image
recognition. 3rd International Conference on Learning Representations, ICLR 2015 - Conference
Track Proceedings, 1–14.
Siqueira, R. A. (2008). Peso econômico das soluções projetuais nas habitações de interesse social:
Estudo de caso dos conjuntos habitacionais do Programa de Crédito Solidário em Belo
Horizonte. Universidade Federal de Minas Gerais. Retrieved from
https://repositorio.ufmg.br/handle/1843/RAAO-7GEHYL
Song, X., Herranz, L., & Jiang, S. (2017). Depth CNNs for RGB-D scene recognition: Learning from
scratch better than transferring from RGB-CNNs. In 31st AAAI Conference on Artificial
Intelligence, AAAI 2017 (pp. 4271–4277).
Sonka, M., Hlavac, V., & Boyle, R. (2015). Image processing, analysis and machine vision (Fourth).
Stamford: Cengage Learning.
Sorgato, M. J. (2011). Relatório Técnico da base de simulações para o RTQ-R. Florianópolis.
Retrieved from http://www.labeee.ufsc.br/projetos/etiquetagem/desenvolvimento/atividades-
2008-2011/trabalho-ii
Sousa, M. J. C. N. C. e. (1994). Aplicação do método SEL a projectos de edifícios de habitação
elaborados em Portugal : habitabilidade da habitação. Universidade do Porto.

156
Souza, R. de, & Abiko, A. K. (1997). Metodologia para desenvolvimento e implantação de sistemas de
gestão da qualidade em empresas construtoras de pequeno e médio porte. Universidade de São
Paulo.
Srinivas, N., & Deb, K. (1994). Muiltiobjective Optimization Using Nondominated Sorting in Genetic
Algorithms. Evolutionary Computation, 2(3), 221–248.
https://doi.org/10.1162/evco.1994.2.3.221
Stiller, D., Stark, T., Wurm, M., Dech, S., & Taubenbock, H. (2019). Large-scale building extraction in
very high-resolution aerial imagery using Mask R-CNN. In 2019 Joint Urban Remote Sensing
Event (JURSE) (pp. 1–4). IEEE. https://doi.org/10.1109/JURSE.2019.8808977
Stiny, G. (1980). Introduction to shape and shape grammars. Environment and Planning B: Planning
and Design, 7(3), 343–351. https://doi.org/10.1068/b070343
Stiny, G., & Mitchell, W. J. (1978). The Palladian grammar. Environment and Planning B: Planning
and Design, 5(1), 5–18. https://doi.org/10.1068/b050005
Sun, C., Hsiao, C.-W., Sun, M., & Chen, H.-T. (2019). HorizonNet: Learning Room Layout With 1D
Representation and Pano Stretch Data Augmentation. In 2019 IEEE/CVF Conference on
Computer Vision and Pattern Recognition (CVPR) (pp. 1047–1056). IEEE.
https://doi.org/10.1109/CVPR.2019.00114
Sutherland, I. E. (1964). Sketchpad a Man-Machine Graphical Communication System. SIMULATION,
2(5), R-3-R-20. https://doi.org/10.1177/003754976400200514
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … Rabinovich, A. (2015). Going
Deeper With Convolutions. In Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition (CVPR).
Szeliski, R. (2020). Computer Vision: Algorithms and Applications (2nd editio). Springer. Retrieved
from https://szeliski.org/Book/
Szeliski, R. (2021). Computer Vision : Algorithms and Applications 2nd Edition. Springer, 1196.
Talbi, E.-G. (2009). Metaheuristics: from design to implementation (1st ed.). Hoboken: John Wiley and
Sons, Inc.
Tavakkoli, V., Mohsenzadegan, K., & Kyamakya, K. (2020). A visual sensing concept for robustly
classifying house types through a convolutional neural network architecture involving a multi-
channel features extraction. Sensors (Switzerland), 20(19), 1–16.
https://doi.org/10.3390/s20195672
Tchapmi, L., Choy, C., Armeni, I., Gwak, J., & Savarese, S. (2018). SEGCloud: Semantic
segmentation of 3D point clouds. In Proceedings - 2017 International Conference on 3D Vision,
3DV 2017 (pp. 537–547). https://doi.org/10.1109/3DV.2017.00067
Tedeschi, A. (2014). AAD Algorithms-Aided Design (14th ed.). Le Penseur. Retrieved from
https://www.arturotedeschi.com/books
Tombre, K., Tabbone, S., Pélissier, L., Lamiroy, B., & Dosch, P. (2002). Text/Graphics Separation
Revisited. In Proc. 5th IAPR Int’l Workshop Document Analysis Systems (pp. 200–211).
Springer, Berlin, Heidelberg. https://doi.org/10.1007/3-540-45869-7_24
Triana, María Andrea. (2016). Abordagem integrada no ciclo de vida de habitação de interesse social

157
 considerando mudanças climáticas. Universidade Federal de Santa Catarina.
Triana, Maria Andrea, Lamberts, R., & Sassi, P. (2018). Should we consider climate change for
Brazilian social housing ? Assessment of energy efficiency adaptation measures. Energy &
Buildings, 158, 1379–1392. https://doi.org/10.1016/j.enbuild.2017.11.003
Tulsiani, S., Gupta, S., Fouhey, D., Efrosefros, A. A., & Malik, J. (2018). Factoring Shape, Pose, and
Layout from the 2D Image of a 3D Scene. In 2018 IEEE/CVF Conference on Computer Vision
and Pattern Recognition (pp. 302–310). IEEE. https://doi.org/10.1109/CVPR.2018.00039
Turner, J. F. C. (1977). Vivienda, todo el poder para los usuarios: hacia la economía em la
construcción del entorno. Madrid: H. Blumer.
U.S. Department of Energy. (2015). EnergyPlus 8.3.0-b45b06b780 Testing with BuildingThermal
Envelope and Fabric Load Tests fromANSI/ASHRAE Standard 140-2011. Retrieved from
https://energyplus.net/testing
U.S. Department of Energy. (2018). EnergyPlus version 9.0.1 documentation: Getting Started.
Retrieved from https://energyplus.net/documentation
United Nations. (1996). Report of the United Nations Conference on Human Settlements (Habitat II):
Istanbul. New York, NY.
Van Der Voordt, T. J. M., & Van Wegen, H. B. R. (2007). Architecture in use: An introduction to the
programming, design and evaluation of buildings. Architecture in Use: An Introduction to the
Programming, Design and Evaluation of Buildings, 1–238.
https://doi.org/10.4324/9780080490472
Van Veldhuizen, D. A., & Lamont, G. B. (2000). Multiobjective evolutionary algorithms: analyzing the
state-of-the-art. Evolutionary Computation, 8(2), 125–147.
https://doi.org/10.1162/106365600568158
Vaz, C. E., Godoi, G. de, & Celani, M. G. C. (2011). A gramática da Forma. In D. K. Kowaltowski, D.
de C. Moreira, J. R. Petreche, & M. M. Fabrício (Eds.), O processo de projeto em arquitetura: da
teoria à tecnologia (1st ed., p. 504). São Paulo: Oficina de Textos.
Verniz, D. (2020). Understanding the Genesis of Form in Brazilian Informal Settlements: Towards a
Grammar-Based Approach for Planning Favela-Like Settlements in Steep Terrains in Rio De
Janeiro. Pennsylvania State University.
Viana, T. (2019, September 7). Fortaleza tem 130 mil famílias sem moradia adequada. Diário Do
Nordeste. Retrieved from https://diariodonordeste.verdesmares.com.br/metro/fortaleza-tem-130-
mil-familias-sem-moradia-adequada-1.2146684
Villa, S. B., Silva, L. A., Alexandre, D., & Silva, N. (2010). Como moram essas pessoas? A pesquisa
de APO funcional e comportamental em HIS : o caso do projeto. In XIII Encontro Nacional de
Tecnologia do Ambiente Construído. Canela, RS: Antac/UFGRS.
Villaça, F. (1986). O que todo cidadão precisa saber sobre habitação. Global Editora.
Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep Learning for
Computer Vision: A Brief Review. Computational Intelligence and Neuroscience, 2018.
https://doi.org/10.1155/2018/7068349
Wagner, A., Gossauer, E., Moosmann, C., Gropp, T., & Leonhart, R. (2007). Thermal comfort and

158
 workplace occupant satisfaction-Results of field studies in German low energy office buildings.
Energy and Buildings, 39(7), 758–769. https://doi.org/10.1016/j.enbuild.2007.02.013
Wan, G., & Sharf, A. (2012). Grammar-based 3D facade segmentation and reconstruction. Computers
and Graphics (Pergamon), 36(4), 216–223. https://doi.org/10.1016/j.cag.2012.02.003
Wang, S., Suo, S., Ma, W. C., Pokrovsky, A., & Urtasun, R. (2018). Deep Parametric Continuous
Convolutional Neural Networks. In Proceedings of the IEEE Computer Society Conference on
Computer Vision and Pattern Recognition (pp. 2589–2597).
https://doi.org/10.1109/CVPR.2018.00274
Wang, T., Li, J., & An, X. (2015). An Efficient Scene Semantic Labeling Approach for 3D Point
Cloud. In 2015 IEEE 18th International Conference on Intelligent Transportation Systems (pp.
2115–2120). IEEE. https://doi.org/10.1109/ITSC.2015.342
Wang, Z., She, Q., & Ward, T. E. (2019). Generative adversarial networks: A survey and taxonomy.
ArXiv, (2), 1–16.
Williams, D., Elghali, L., Wheeler, R., & France, C. (2012). Climate change influence on building
lifecycle greenhouse gas emissions : Case study of a UK mixed-use development
Intergovernmental Panel on Climate Change. Energy & Buildings, 48, 112–126.
https://doi.org/10.1016/j.enbuild.2012.01.016
Wohlin, C. (2014). Guidelines for snowballing in systematic literature studies and a replication in
software engineering. ACM International Conference Proceeding Series.
https://doi.org/10.1145/2601248.2601268
Wolf, D., Prankl, J., & Vincze, M. (2015). Fast semantic segmentation of 3D point clouds using a
dense CRF with learned parameters. In 2015 IEEE International Conference on Robotics and
Automation (ICRA) (pp. 4867–4873). IEEE. https://doi.org/10.1109/ICRA.2015.7139875
Wolf, D., Prankl, J., & Vincze, M. (2016). Enhancing Semantic Segmentation for Robotics: The Power
of 3-D Entangled Forests. IEEE Robotics and Automation Letters, 1(1), 49–56.
https://doi.org/10.1109/LRA.2015.2506118
Wong, S. S. Y., & Chan, K. C. C. (2009). EvoArch: An evolutionary algorithm for architectural layout
design. CAD Computer Aided Design, 41(9), 649–667. https://doi.org/10.1016/j.cad.2009.04.005
Wonka, P., Wimmer, M., Sillion, F., & Ribarsky, W. (2003). Instant architecture. ACM SIGGRAPH
2003 Papers, SIGGRAPH ’03, 669–677. https://doi.org/10.1145/1201775.882324
Wu, F., Yan, D. M., Dong, W., Zhang, X., & Wonka, P. (2014). Inverse procedural modeling of facade
layouts. ACM Transactions on Graphics, 33(4). https://doi.org/10.1145/2601097.2601162
Wu, G., Guo, Z., Shi, X., Chen, Q., Xu, Y., Shibasaki, R., & Shao, X. (2018). A boundary regulated
network for accurate roof segmentation and outline extraction. Remote Sensing, 10(8), 1–19.
https://doi.org/10.3390/rs10081195
Xiong, Z., Yuan, Y., & Wang, Q. (2020). MSN: Modality separation networks for RGB-D scene
recognition. Neurocomputing, 373, 81–89. https://doi.org/10.1016/j.neucom.2019.09.066
Xu, K., Chen, K., Fu, H., Sun, W.-L., & Hu, S.-M. (2013). Sketch2Scene. ACM Transactions on
Graphics, 32(4), 1–15. https://doi.org/10.1145/2461912.2461968
Xu, S., Wang, J., Shou, W., Ngo, T., Sadick, A. M., & Wang, X. (2021). Computer Vision Techniques

159
 in Construction: A Critical Review. Archives of Computational Methods in Engineering, 28(5),
3383–3397. https://doi.org/10.1007/s11831-020-09504-3
Xu, Z., Tao, D., Zhang, Y., Wu, J., & Tsoi, A. C. (2014). Architectural Style Classification Using
Multinomial Latent Logistic Regression (pp. 600–615). https://doi.org/10.1007/978-3-319-
10590-1_39
Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018). Convolutional neural networks: an
overview and application in radiology. Insights into Imaging, 9(4), 611–629.
https://doi.org/10.1007/s13244-018-0639-9
Yang, B., Li, L., Song, C., Jiang, Z., & Ling, Y. (2019). Automatic furniture layout based on functional
area division. In Proceedings - 2019 International Conference on Cyberworlds, CW 2019 (pp.
109–116). https://doi.org/10.1109/CW.2019.00026
Yang, S. T., Wang, F. E., Peng, C. H., Wonka, P., Sun, M., & Chu, H. K. (2019). DuLa-Net: A dual-
projection network for estimating room layouts from a single RGB panorama. In Proceedings of
the IEEE Computer Society Conference on Computer Vision and Pattern Recognition (Vol.
2019-June, pp. 3358–3367). https://doi.org/10.1109/CVPR.2019.00348
Ye, Z., Fu, Y., Gan, M., Deng, J., Comber, A., & Wang, K. (2019). Building extraction from very high
resolution aerial imagery using joint attention deep neural network. Remote Sensing, 11(24), 1–
21. https://doi.org/10.3390/rs11242970
Zawidzki, M., & Szklarski, J. (2020). Multi-objective optimization of the floor plan of a single story
family house considering position and orientation. Advances in Engineering Software,
141(February 2019), 102766. https://doi.org/10.1016/j.advengsoft.2019.102766
Zawidzki, M., Tateyama, K., & Nishikawa, I. (2011). The constraints satisfaction problem approach in
the design of an architectural functional layout. Engineering Optimization, 43(9), 943–966.
https://doi.org/10.1080/0305215X.2010.527005
Zeng, Z., Li, X., Yu, Y. K., & Fu, C. W. (2019). Deep floor plan recognition using a multi-task
network with room-boundary-guided attention. In Proceedings of the IEEE International
Conference on Computer Vision (Vol. 2019-Octob, pp. 9095–9103).
https://doi.org/10.1109/ICCV.2019.00919
Zhang, B., Song, Y., Guan, S., & Zhang, Y. (2010). Historic Chinese Architectures Image Retrieval by
SVM and Pyramid Histogram of Oriented Gradients Features. International Journal of Soft
Computing, 5(2), 19–28. https://doi.org/10.3923/ijscomp.2010.19.28
Zhang, F., Nauata, N., & Furukawa, Y. (2020). Conv-MPN: Convolutional Message Passing Neural
Network for Structured Outdoor Architecture Reconstruction. In 2020 IEEE/CVF Conference on
Computer Vision and Pattern Recognition (CVPR) (pp. 2795–2804). IEEE.
https://doi.org/10.1109/CVPR42600.2020.00287
Zhang, R., Du, L., Xiao, Q., & Liu, J. (2020). Comparison of Backbones for Semantic Segmentation
Network. Journal of Physics: Conference Series, 1544(1). https://doi.org/10.1088/1742-
6596/1544/1/012196
Zhang, W., Zhang, W., & Gu, J. (2020). Edge-semantic learning strategy for layout estimation in
indoor environment. IEEE Transactions on Cybernetics, 50(6), 2730–2739.

160
 https://doi.org/10.1109/TCYB.2019.2895837
Zhang, Y., He, Y., Zhu, S., & Di, X. (2020). The Direction-Aware, Learnable, Additive Kernels and
the Adversarial Network for Deep Floor Plan Recognition. Retrieved from
http://arxiv.org/abs/2001.11194
Zhao, C., Yang, J., & Li, J.-T. (2021). Generation of Hospital Emergency Department Layouts Based
on Generative Adversarial Networks. Journal of Building Engineering, 102539.
https://doi.org/10.1016/j.jobe.2021.102539
Zhao, C., Yang, J., Xiong, W., & Li, J. (2021). Two Generative Design Methods of Hospital Operating
Department Layouts Based on Healthcare Systematic Layout Planning and Generative
Adversarial Network. Journal of Shanghai Jiaotong University (Science), 26(1), 103–115.
https://doi.org/10.1007/s12204-021-2265-9
Zhao, N. (2018). End2End semantic segmentation for 3D indoor scenes. In MM 2018 - Proceedings of
the 2018 ACM Multimedia Conference (pp. 810–814). https://doi.org/10.1145/3240508.3243933
Zhao, S., Wang, L., Qian, X., & Chen, J. (2021). Enhancing performance-based generative
architectural design with sketch-based image retrieval: a pilot study on designing building facade
fenestrations. The Visual Computer. https://doi.org/10.1007/s00371-021-02170-x
Zhou, D., Wang, G., He, G., Long, T., Yin, R., Zhang, Z., … Luo, B. (2020). Robust building
extraction for high spatial resolution remote sensing images with self-attention network. Sensors
(Switzerland), 20(24), 1–19. https://doi.org/10.3390/s20247241
Zhu, Z., Li, D., Hu, Y., Li, J., Liu, D., & Li, J. (2020). Indoor scene segmentation algorithm based on
full convolutional neural network. Neural Computing and Applications, 0.
https://doi.org/10.1007/s00521-020-04961-0
Zhuo, X., Monks, M., Esch, T., & Reinartz, P. (2019). Facade segmentation from oblique UAV
imagery. In 2019 Joint Urban Remote Sensing Event, JURSE 2019 (pp. 2–5).
https://doi.org/10.1109/JURSE.2019.8809024
Ziaee, A., Dehbozorgi, R., & Döller, M. (2021). A Novel Adaptive Deep Network for Building
Footprint Segmentation. Retrieved from http://arxiv.org/abs/2103.00286
Ziran, Z., & Marinai, S. (2018). Object Detection in Floor Plan Images, 11081, 383–394.
https://doi.org/10.1007/978-3-319-99978-4_30
Zou, C., Colburn, A., Shan, Q., & Hoiem, D. (2018). LayoutNet: Reconstructing the 3D Room Layout
from a Single RGB Image. In Proceedings of the IEEE Computer Society Conference on
Computer Vision and Pattern Recognition (pp. 2051–2059).
https://doi.org/10.1109/CVPR.2018.00219
Zou, C., Su, J. W., Peng, C. H., Colburn, A., Shan, Q., Wonka, P., … Hoiem, D. (2019). 3D manhattan
room layout reconstruction from a single 360° image. ArXiv.

161
162
ANEXO 1

Generation of a reference dataset with twenty low-income single-

family houses in Fortaleza, Brazil and thermal discomfort
assessment
Jean M. Parente 1*, Eugénio Rodrigues 2, Marco S. Fernandes 2,
Bárbara Rangel1, and João P. Martins 1

1: Department of Civil Engineering

Faculty of Engineering
University of Porto
Rua Dr. Roberto Frias, 4200-465 Porto, Portugal
e-mail: jmnparente@gmail.com, brangel@gcloud.fe.up.pt, jppm@fe.up.pt

2: ADAI, LAETA, Department of Mechanical Engineering

Faculty of Science and Technology
University of Coimbra
Rua Luís Reis Santos, Pólo II, 3030-788 Coimbra, Portugal
e-mail: erodrigues@uc.pt, marco.fernandes@adai.pt web: http://www.adai.pt/

Keywords: thermal comfort, reference buildings, low-income family house

Abstract Although created with the purpose of reducing the Brazilian housing deficit,
the “Minha Casa, Minha Vida” government program (PMCMV) presents a large part of
its constructions with low built and indoor environment quality. Expecting the increase
of the families’ income in the following decade, it is important to improve the living
conditions of those inhabitants, which may result from improving the thermal comfort,
reduce the energy consumption or mitigate the energy needs. To determine which is the
most cost-effective, which can be corrective passive design measures, the use of HVAC
systems, or production of renewable energy for self-consumption, this work describes
the creation of a dataset of twenty building models of current buildings to be used as
reference set on which to test different scenarios.
The reference set has several indoor space arrangements of a single-family typology in
Fortaleza, which follow the minimum requirements of level 2 of the PMCMV program.
The dwellings were created using a floor plan generative design approach and the
thermal comfort evaluated using dynamic simulation (EnergyPlus) according to the
thermal performance for housing norm NBR 15575 and Technical Regulation of
Quality for Residential Buildings (RTQ-R). The typical urban context was taken into
consideration during the building generation process and evaluation (reflection and
shadowing of solar radiation). The synthetic dataset presents diverse building solutions
and all buildings ranked A according to the Brazilian building energy ranking system.

163
1 INTRODUCTION

In Brazil, housing deficit is characterized by precarious dwelling conditions, family

cohabitation, excessive rent expenses, and excessive density of residents per dormitory.
According to the Fundação João Pinheiro, based on Instituto Brasileiro de Geografia e
Estatística information, in 2009 Brazil had a deficit of almost six million dwellings,
particularly for families with 5 or less minimum wages of income [1]. Hence, the
Brazilian government implemented a R$ 388 billion housing program to tackle the
housing deficit. The program was called “Minha Casa, Minha Vida” (PMCMV) and it
was available between 2009 and 2017, allowing more than three million families to
benefit from financial support [2]. The program divides the funding of houses into four
levels. The first level corresponds to families with income equal or lower than R$ 1,800
and the state subsidies up to 90 % of the value of the property, without interest. The level
1.5, created in 2018, will support families with an income between R$ 1,801 and
R$ 2,600, and the subsidy reaches R$ 47,500, with interest rate of up to 5 % per year. The
level 2 supports families with income varying between R$ 2,601 and R$ 4,000, whose
subsidy can reach R$ 29,000.00, with an interest rate of a maximum of 8 %. Lastly, level
3 aims families with income ranging from R$ 4,001 to R$ 9,000, without any state
subsidy but with a below-market interest rate of 9.16 % [3].
Until 2017, 4,503,231 contracts were signed, 1,740,711 in level 1, 2,200,082 in level 2,
and 562,438 in level 3. Despite the number of signed contracts, the quality of the
dwellings was questionable. In a report by the Ministry of Transparency in 2016 [4],
which analyzed the quality of the residential units built between 2012 and 2014, 55,9 %
had some sort of construction problems, such as cracks, fissures, leaks, and problems with
coverage. Dantas and Barbirato [5] analyzed the thermal performance of the dwellings
built in the city of Maceió, Alagoas, and concluded that the houses of PMCMV are not
adjusted to the climate conditions. Moreno [6] simulated a PMCMV reference house and
found that constructions based mainly on concrete in the building envelope presented the
worst thermal performance in all climate regions in the study.
In 2013, a building energy standard (NBR 15575) was created as a guide to improve the
thermal and energy efficiency of the houses. Hence, a minimum thermal performance of
dwellings was established [7]. In addition, the Technical Regulation on Quality of
Residential Industries (RTQ-R) specifies the requirements for the energy efficiency
assessment of dwellings [8].
This work describes how a set of twenty low-income houses (level 2) were created to be
used as reference buildings to determine cost-effective strategies to improve the quality
of those dwellings (to study combined options of passive measures, implement energy
production, and use of air conditioning systems).

2 METHODOLOGY

The reference buildings are created using the EPSAP algorithm [9–11], which consists of
a hybrid evolution strategy that generates alternative building designs by finding the
indoor space arrangements. After the buildings are generated, the thermal discomfort is
evaluated [12,13]. The generation requirements correspond to a single-storey family
house having six spaces – one living room, two bedrooms, one kitchen, and one corridor
–, which is the minimum required by the PMCMV program. The houses have a preference
of 60 m2 gross area and are located in the city of Fortaleza, Brazil (region 8 –
characterized by warm and tropical climate). The relation between these spaces follows

164
the standard typological layout. The building entrance faces the street and belongs to the
living room. The occupancy, lighting and equipment patterns correspond to the ones
defined in the RTQ-R [8], with metabolic rates of 81 W/person in the bedrooms,
129 W/person in the kitchen, 108 W/person in the living room and 171 W/person in the
bathroom; the lighting level is 6 W/m2 in the kitchen, living room and bathrooms, and 5
W/m2 in the bedrooms (during occupancy); and 1.5 W/m2 and 2.0 W/m2 are considered
for the living room and kitchen electric equipment rates, respectively (constantly).
Window shadings devices (exterior shutters) are considered to be active from 8:00 to
18:00, during all year, with a 0.80 reflectance coefficient, thermal conductivity of
0.90 W/m·K and a thickness of 1 mm [14,15]. The soil temperature was determined using
the Slab program linked to EnergyPlus, considering the average indoor and outdoor air
temperatures [7,8,14]. The natural ventilation model was defined using the
AirFlowNetwork object of EnergyPlus, considering an indoor temperature of 20 °C as
the setpoint above which windows and doors are allowed to open, if the indoor
temperature surpasses the outdoor temperature, a discharge coefficient of 0.6, a mass flow
coefficient when opening is closed of 0.001 kg/s·m and a mass flow exponent of 0.6,
according to RTQ-R [8]. The evaluation is according to the thermal and energy codes
NBR 15575 [7] and RTQ-R [8]. The dataset with the twenty EnergyPlus IDF files of the
generated houses is publicly available in an open access repository [16].

3 RESULTS AND DISCUSSION

Figure 1 depicts two examples of the twenty generated solutions. The size and orientation
of spaces, windows and roof present varied design solutions, having in common the
Living Room entrance door facing the sidewalk located at south of the lot. The roof
orientation is limited to the north-south and east-west, allowing, through its eaves, the
shading of the respective facades. Thus, the geometric diversity varies between a
longitudinal shape, in the direction of the largest dimension of the lot.

Figure 1: Floor plans and 3D views of two of the generated buildings in the reference dataset.

Table 1 lists the area, thermal comfort in cooling degree-hours (CDH), and energy ranking
for each generated building and spaces with longer living presence. Despite ranking A in
all spaces and in all overall buildings, the living indoor environment conditions are far
from ideal, as the setpoint of 26 °C operative temperature for cooling, which defines the
CDH and thus the rating according to the RTQ-R, is a high value for thermal comfort
limit. When evaluating the thermal performance of the spaces with the longest living
period (the living room and the bedrooms), the results observed in the Single Bedroom
range from a minimum of 2631.6 CDH (FPD 258) to a maximum of 5502.3 CDH (FPD
299), showing that this space has, on average, 1 °C above the setpoint temperature of 26
°C, ranging from 30 % to 63 % of the hours in a year; the Double Bedroom presented
solutions that ranged from 2244.2 CDH (FPD 441), the lowest result among all the

165
environments of prolonged presence, to 5198.1 CDH (FPD 305), corresponding to 26 %
to 59 % of the year. In turn, the Living Room presented a variation from 3578.2 CDH
(FPD 289) to 7023.5 CDH (FPD 206), resulting in a thermal discomfort from 41 % to
81 % of the hours in a year. Although results show thermal averages above that
recommended by the Brazilian standard NBR 15575, the analysis based on the RTQ-R
shows that all the houses generated remain at level A, that is, the highest, according to
the conformity requirements for energy efficiency of buildings.
Table 1: The area, cooling degree-hours, and thermal comfort ranking for each long-period living spaces and overall
building.

Living Room Single Bedroom Double Bedroom Building

Design Area (m²) CDH Ratin Area (m²) CDH Rating Area (m²) CDH Rating Area* Ratin
g (m²) g
FPD 15 12.5 4684.0 A 11.0 3673.5 A 13.8 3547.0 A 37.3 A
FPD 18 10.6 6328.6 A 10.7 5370.5 A 9.5 4559.5 A 30.8 A
FPD 35 18.0 4104.0 A 9.9 3786.9 A 10.0 3986.9 A 37.9 A
FPD 12.0 5216.2 A 11.6 3659.7 A 8.6 4674.0 A 32.2 A
104
FPD 13.0 6242.7 A 9.5 3559.4 A 9.9 4925.5 A 32.4 A
158
FPD 9.6 7023.5 A 8.8 4973.5 A 12.8 4202.9 A 31.2 A
206
FPD 13.8 5218.7 A 8.7 2631.6 A 10.2 4272.4 A 32.7 A
258
FPD 11.6 3578.2 A 10.5 3460.1 A 12.1 3813.7 A 34.2 A
289
FPD 14.5 4642.6 A 7.5 5502.3 A 11.2 4280.0 A 33.2 A
299
FPD 10.8 6904.0 A 8.5 3900.8 A 8.5 5198.1 A 27.8 A
305
FPD 10.2 5380.2 A 10.5 4102.2 A 13.5 3510.2 A 34.2 A
308
FPD 12.7 4922.0 A 11.0 3939.6 A 9.3 3464.9 A 33.0 A
417
FPD 13.6 4869.7 A 11.1 4332.9 A 7.9 2244.2 A 32.6 A
441
FPD 10.3 5165.6 A 11.8 4242.8 A 10.4 3994.7 A 32.5 A
462
FPD 8.4 6454.5 A 10.7 4264.6 A 8.4 2502.1 A 27.5 A
577
FPD 9.3 6135.4 A 11.5 4068.9 A 10.5 4165.9 A 31.3 A
595
FPD 9.5 6013.7 A 8.8 4458.8 A 11.6 3711.8 A 29.9 A
636
FPD 13.3 4376.0 A 12.4 3928.4 A 10.3 4653.2 A 36.0 A
666
FPD 13.3 4822.6 A 11.6 4503.3 A 11.4 3833.8 A 36.3 A
696
FPD 12.8 5193.2 A 9.5 4892.2 A 9.4 2607.2 A 31.7 A
711
* Area of the living room and the bedrooms.

4 CONCLUSION
The produced synthetic dataset presented diverse indoor building arrangements, shapes,
and orientations, thus covering a wide range of design solutions found in several PMCMV
built houses. Relatively to the thermal performance, despite every house ranks the highest
of the rating levels, the occupants are a long period of the year under thermal discomfort,
meaning that the indoor environment quality of the houses must be improved. This set
will allow to test different cost-effective measures to improve the living conditions of
their inhabitants, and possibly present solutions to mitigate the energy poverty that such
population is under. Future work incorporates the definition of those measures and test
them in each generated building.

ACKNOWLEDGEMENTS
The research presented has been developed under the Energy for Sustainability Initiative
of the University of Coimbra (UC). This work has been financed by the Portuguese

166
Foundation for Science and Technology (FCT) and by the European Regional
Development Fund (FEDER) through COMPETE 2020 – Operational Program for
Competitiveness and Internationalization (POCI) in the framework of the research project
Ren4EEnIEQ (PTDC/EMS-ENE/3238/2014, POCI-01-0145-FEDER-016760, and
LISBOA-01-0145-FEDER-016760).

REFERENCES
[1] Fundação João Pinheiro. Déficit habitacional do Brasil 2007. Belo Horizonte: Centro de
Estatística e Informações; 2009.
[2] Minha Casa Minha Vida não reduziu deficit habitacional. J Do Senado 2018.
https://www2.senado.leg.br/bdsf/bitstream/handle/id/538499/Cidadania_622.pdf?sequen
ce=1 (accessed January 6, 2019).
[3] Caixa Econômica Federal. Minha Casa Minha Vida > Habitação Urbana n.d.
http://www.caixa.gov.br/voce/habitacao/minha-casa-minha-
vida/urbana/Paginas/default.aspx (accessed February 17, 2016).
[4] Jardim T, Rosário W de C, Leonel ACB, Junior GW, Nóbrega ACV, Taya C. Relatório
de Avaliação da Execução de Programas de Cotas ao Fundo de Arrendamento
Residencial. Brasília, Brazil: 2016.
[5] Dantas C, Barbirato G. Evaluation of Thermal Performance and Thermal Comfort of
Users in Horizontal Residential Enterprise of Programa Minha Casa Minha Vida in
Maceió-al. ERGODESIGN, Congr. Int. Ergon. e Usabilidade Interfaces Humano-
Tecnologia Prod. Informações, Ambient. Construídos e Transp., 2015, p. 400–11.
doi:10.5151/15ergodesign-70-e037.
[6] Moreno ACR. Minha Casa Minha Vida: Análise de desempenho térmico pela NBR
152220-3, NBR15575, Selo Casa Azul e RTQ-R. Universidade Federal de Minas Gerais,
2013.
[7] NBR 15575 – Edificações habitacionais - Desempenho 2013.
[8] RTQ-R – Regulamento Técnico da Qualidade para o Nível de Eficiência Energética de
Edifícios Residenciais, Portaria n.o 18/2012 2012.
[9] Rodrigues E, Gaspar AR, Gomes Á. An evolutionary strategy enhanced with a local
search technique for the space allocation problem in architecture, Part 1: Methodology.
Comput Des 2013;45:887–97. doi:10.1016/j.cad.2013.01.001.
[10] Rodrigues E, Gaspar AR, Gomes Á. An evolutionary strategy enhanced with a local
search technique for the space allocation problem in architecture, Part 2: Validation and
performance tests. Comput Des 2013;45:898–910. doi:10.1016/j.cad.2013.01.003.
[11] Rodrigues E, Gaspar AR, Gomes Á. An approach to the multi-level space allocation
problem in architecture using a hybrid evolutionary technique. Autom Constr
2013;35:482–98. doi:10.1016/j.autcon.2013.06.005.
[12] Rodrigues E, Gaspar AR, Gomes Á. Automated approach for design generation and
thermal assessment of alternative floor plans. Energy Build 2014;81:170–81.
doi:10.1016/j.enbuild.2014.06.016.
[13] Rodrigues E, Gaspar AR, Gomes Á. Improving thermal performance of automatically
generated floor plans using a geometric variable sequential optimization procedure. Appl
Energy 2014;132:200–15. doi:10.1016/j.apenergy.2014.06.068.
[14] Sorgato MJ, Marinoski DL, Melo AP, Lamberts R. Nota Técnica Referente a Avaliação
Energética em Edificações 2012.
[15] Dalbem R, Grala da Cunha E, Vicente R, Figueiredo A, Oliveira R, Silva ACSB.
Optimisation of a social housing for south of Brazil: From basic performance standard to
passive house concept. Energy 2019;167:1278–96. doi:10.1016/j.energy.2018.11.053.
[16] Rodrigues E, Fernandes MS, Parente JM. Fileset of twenty IDF low-income reference
dwellings in Fortaleza, Brazil 2019. doi:10.6084/m9.figshare.7707167.

167
ANEXO 2

Integration of convolutional and adversarial networks into

building design: a review
Jean Parentea,*, Eugénio Rodriguesb, Bárbara Rangela,c, João Poças Martinsc

a
CEAU/T2P, Faculty of Architecture, University of Porto
Via Panorâmica Edgar Cardoso 215, 4150-564 Porto, Portugal
b Univ Coimbra, ADAI, Department of Mechanical Engineering,

Rua Luís Reis Santos, Pólo II, 3030-788 Coimbra, Portugal

c
CONSTRUCT/GEQUALTEC, Department of Civil Engineering, University of Porto
Rua Dr. Roberto Frias, 4200-465 Porto, Portugal

* Corresponding author. Tel.: +558 598 855 8843, E-mail: jmnparente@gmail.com

Abstract
Convolutional and adversarial networks are found in various fields of knowledge and activities.
One of the fields is building design, a multi-disciplinary and multi-task process involving many
different requirements and preferences. Despite promising results, these methods are still far from
being a standard tool. This paper reviews the application of these methods to identify current
barriers and lays down future developments in several building design tasks, such as site layout,
building floor planning, furniture arrangement, and facade design. The methods show great
potential in exploring novel design paths, comparing alternative solutions, and reducing task
associated time and cost. However, the lack of a smooth integration into the design process and
the need for a high-level mastery limit its widespread use. Lastly, convolutional and adversarial
networks can be taken together in decision-making since they are complementary in analysis and
synthesis.

Keywords: computer vision, deep learning, generative models, building design

1 Introduction
For several decades, researchers have strived to develop generative design methods to create

candidate solutions from the sometimes conflicting project requirements and physical constraints

of the building (Zawidzki et al., 2011). These methods require the user to specify many

requirements and constraints while demanding the user experience in fine-tuning the method’s

parameters to produce feasible solutions (Chugh et al., 2019). In contrast, current learning

168
methods find new solutions with minimal user input, as these rely on past training data to learn

implicit patterns (Hu et al., 2020). Once the model learns the probability distribution, the method

synthesizes new examples with a high degree of realism (Z. Wang et al., 2019), an efficient

supervised approach regarding time and cost (Dargan et al., 2020).

The literature divides the generative methods used in building design into image analysis (or

computer vision) and image synthesis (or computer graphics) (Szeliski, 2020). While computer

vision can analyze an image and create a model, computer graphics provides tools for using the

analysis model for creating images (McMillan & Gortler, 1999). Image analysis and synthesis are

two foundation procedures in processing images (Gomes & Velho, 1997).

Image analysis has achieved relevant results in visual recognition tasks (Khan et al., 2018). In

general, image analysis methods can be divided into four steps (Szeliski, 2021): (i) image

acquisition, (ii) image input and pre-processing, (iii) feature extraction and segmentation, and (iv)

recognition and application. Figure 2 depicts those steps and technologies involved in each step.

Figure 2: Steps and tasks in image analysis processing.

Image acquisition involves collecting or producing digital images. Satellite or aerial vehicles with

cameras, photographic cameras, or 3D scanners are examples of a source of imagery. Later, pre-

processing reduces noise or enhances the quality of the images. In addition, the modeler may

normalize images through scaling, rotation, or translation. The next step is feature extraction. This

step extracts images' information, such as edges, corners, and contours, and segments images into

homogeneous groups without overlapping regions. In the last step, image recognition has several

applications, such as image classification (categorizing and labeling pixels, or regions in an

169
image, into several groups), object detection (bounding and classifying objects), image

registration (overlaying images into a single image), retrieval (searching for images in a database),

and reconstruction (creating a 3D model from images).

CNN is the most used deep learning approach in computer vision applications (Bhatt et al., 2021).

CNN architecture involves three main components that help analyze the features of an image:

visible, hidden, and output layers. In the visible layer, the image’s descriptor is the input, and the

hidden layers (convolutional, pooling, and fully connected) learn high-level representation by

gradually extracting low-level features (Goodfellow, Bengio, & Courville, 2016; Lecun et al.,

2015). In the case of convolutional layers, these layers extract features from the convolution

operation developed for a filter (usually a kernel) composed of weights and biases, which generate

feature maps (Lecun et al., 2015). Then, an activation function is applied so that it is possible to

model non-linear functions in the network—this process repeats on every convolutional layer.

Next, the pooling layers replace a small neighborhood of feature maps with an invariant function,

such as max or mean operations. This replacement reduces the dimension of the feature image

and network parameters, thus invariant to shift and distortion (Lecun et al., 2015). Lastly, fully

connected layers recognize and classify the image by adjusting the weights, which determine the

degree of influence of the input layer on the output layer.

Different algorithms or networks derived from CNN can classify, detect, or segment images (Guo

et al., 2016). In image classification, the most popular architectures are AlexNet (Krizhevsky et

al., 2017), Visual Geometry Group (VGG) (Simonyan & Zisserman, 2015), and GoogLeNet

(Szegedy et al., 2015). In image detection, the most used are the region-based CNN (R-CNN)

(Girshick et al., 2014), Fast R-CNN [25], and You Only Look Once (YOLO) (Redmon, Divvala,

Girshick, & Farhadi, 2016). Lastly, in image segmentation, U-shaped encoder-decoder (U-Net)

(Ronneberger et al., 2015) and RefineNet (G. Lin et al., 2017) are the most common (Table 2).

Table 2: Relationship between task, network abbreviation, and their description.

Task Name Description

AlexNet Alex Krizhevsky network
Classification VGGNet Visual geometry group network
ResNet CNN with residual connections

170
 GoogLeNet Google inception-based network
R-CNN Region-based CNN
Fast R-CNN R-CNN with regional of interest (RoI) pooling
Detection
Faster R-CNN R-CNN with regional proposal networks
YOLO You Only Look Once (one-stage detectors)
U-Net U-shaped encoder and decoder
Segmentation SegNet CNN encoder and decoder
RefineNet Multi-task refinement network
Generation GAN Generative adversarial networks

A model generates a new image in image synthesis by learning distributions of features from past

information (Gomes & Velho, 1997; Szeliski, 2020). For example, one can build a model that

learns general rules that guide possible arrangements for a particular typology of houses. For this,

a dataset with the typology to be generated is required. The Boltzmann machine, deep belief

network, Variational AutoEncoder (VAE), and Generative Adversarial Network (GAN) are

examples of these approaches.

GANs are composed of two competing networks, a generator and a discriminator (Goodfellow et

al., 2014). These networks behave like a min-max game in an iterative optimization process.

While a generator produces synthetic data from random noise, the discriminator evaluates results

as being real or fake. As the two models compete, the generator learns to fool the discriminator,

culminating in an undistinguishable synthetic image from a real one.

The number of studies using deep learning in building design has increased steadily. The

applications are vast, such as object detection in floor plans (Ziran & Marinai, 2018), indoor scene

segmentation (Zhu et al., 2020), and indoor image classification (Afif et al., 2020). Other building

design-related applications are the design of an indoor scene (Alec Radford et al., 2016), facade

layout (Schmitz & Mayer, 2016), and floor plan arrangement (Rahbar et al., 2019). However, a

critical literature review on applying these methods in architectural design is lacking. The reviews

that are closest to the topic cover artificial intelligence in general (Castro Pena, Carballal,

Rodríguez-Fernández, Santos, & Romero, 2021), focus on real estate cases (Koch et al., 2019b),

and analyze computer vision applications in construction (S. Xu et al., 2021).

This paper fills the gap mentioned above and answers the following research questions:

171
Q1 – ‘How are the latest advancements in deep learning integrated into building design?’

Q2 – ‘What are the main challenges and barriers in this integration?’

The present paper is divided into six sections. After the current introduction, the systematic

literature review method is described in the material and methods section. Then, the literature

analysis is carried out by covering different building design-related applications and

benchmarking sections. Next, the research questions are answered, and the findings' implications

are debated in the discussion section. Finally, the main conclusions of this study are presented.

2 Material and Methods

In order to answer the stated questions, a systematic literature review on the latest advancements

in CNN and GAN in architectural design is carried out in a three-step methodology.

1. In the first step, ‘Literature Survey,’ title words, such as “architectural design,” “building

footprint,” “deep learning,” “CNN,” “GANs,” “networks,” and “image,” were combined

to search for publications in the Scopus, Web of Science, Google Scholar, and Science

Direct databases. A time filter was applied from January 2016 to December 2021 to limit

the analysis to the last five years. An initial sample of 429 publications was obtained

(Figure 3). After eliminating review articles, thesis, and publications dealing with

different topics but having the same nomenclature, 85 relevant publications were selected

and used as a gold set. Lastly, the Snowballing method was used, an iterative process

with two complementary parts: backward and forward (Wohlin, 2014). The backward

part starts by selecting other articles from the reference list of the 92 publications. Then,

the relevance of the new publication is analyzed, and the references list is again screened.

When the new publications match the search goal, these are included in the overall

sample—this iterative process ends when new papers can no longer be found. A similar

case occurs in the forward part, but from papers citing. After completing both parts, the

final sample included 248 publications, divided into 77 conference proceedings, 26

preprints (ArXiv), three book chapters, and 142 journal articles. Foundational

172
 publications in deep learning are also included in this sample, despite some being

published before 2016. Last note, the initial search has produced many false positives due

to taxonomy similarities among different topic areas. Therefore, a method that allows

finding and screening each publication was required. For this reason, the snowballing

methods were used, which resulted in a significant increase in the number of publications

from the initial gold set.

Figure 3: Snowballing method: from start literature search to process result.

2. In the second step, ‘Data Extraction and Tabulation,’ information from the retrieved

publications is extracted according to four applications of deep computer vision in

building design. First, these applications are grouped into the categories: building

footprint (perimeter of a building measured on a horizontal plane), building floor plan

(visual representation of a home layout on a horizontal plane), 3D indoor scene (3D

representation of interior room), and building facade (representation of external faces of

a building on an elevation). The information is then grouped in each category according

to topics in computer vision, such as segmentation, retrieval, generation, feature selection,

173
 fusion, detection, classification, and 3D reconstruction. Finally, references, method

architecture, input and output variables, and publication conclusions are tabulated.

3. In the third and last step, ‘Synthesis of Findings,’ the tabulated information is analyzed

and synthesized to answer the research questions. Lastly, information about network

architecture and dataset sources is compiled to develop deep learning approaches.

3 CNN and GAN-based applications

At the initial stage of this study, we carried out a descriptive statistical analysis of the status and

trends in using CNN and GAN in building design from the literature survey. The analysis included

(i) quantification of publications that used CNN or GAN-based methods in image analysis or

image synthesis procedures; (ii) an annual distribution of CNN and GAN-based publications

between 2016 and 2021; and (iii) distribution of publications per computer vision tasks into four

building design categories: building footprint, building floor plan, building facade, and 3D indoor

scene.

From this initial assessment, the CNN model was the most used technique in image analysis

(Figure 4). The model is particularly effective in building footprint and 3D indoor scene tasks due

to its ability to accurately and fastly extract features without any human supervision from remote

sensing data or other imagery. Specific examples of applications are to identify roofs, facades,

furniture, and other building system components. Several derived architectures were

implemented, including VGGNet, FCN, Faster-R-CNN, Mask R-CNN, U-Net, and residual

connections (ResNet).

Instead of extracting information, the GAN model is used to create new synthetic images (Figure

4). An example is to create building floor plans from a simple building boundary or the location

of the openings in the perimeter. Other applications are to recreate a building facade and /or

reconstruct a 3D indoor scene. This capability to produce or complete imagery is particularly

helpful when the data sample is insufficient or the image resolution is too low.

174
 Building Footprint 88
CNN-Based method 3

Building Floor plan 22

3

Building Facade 29
2

3D indoor scene 57
9

Building Footprint 8
2
GAN-Based method

Building Floo plan 2

11

Building Facade 1
5

3D indoor scene 1
5

0 10 20 30 40 50 60 70 80 90 100
Number of publications

Analysis Synthesis

Figure 4: Distribution of CNN and GAN-based methods in image analysis or synthesis procedures.

Figure 5 shows the number of publications in the last five years (2016 to 2021). Within this period,

2020 was the year with the most publications. While CNN model usage in building design shows

a continuous growth since 2016, GAN had its peak in 2019 and has since decreased in number.

175
 70
59
60

Number of publications
52
50 46

40
31
30
20
20
12 10
9
10 5
1 3
0
0
2016 2017 2018 2019 2020 2021

Publication year

CNN GAN
Figure 5: Distribution of GAN and CNN-based methods per year.

As shown in Figure 6, building extraction is the most common application in the building footprint

category, having the same number as all other applications combined (segmentation, detection,

classification, and generation). However, CNN and GAN-based techniques generating new

building footprints have four cases.

176
 Segmentation 17
Building footprint 2

Generation 2
2

Detection 12
1

Classification 10
1

Building extraction 49
5

Segmentation 11
2

Retrieval 3
Building Floor plan

Reconstruction 1
0

Generation 3
11

Detection 5
0

Classification 2
0

Segmentation 15
1
1
Building Facade

Retrieval 0

Generation 2
5

Detection 3
0

Classification 10
0

Segmentation 21
0

Retrieval 1
0

Generation 6
5
3D indoor scene

Feature selection 1
0

Fusion 3
0

Detection 5
0

Classification 14
1

3D reconstruction 15
0
0 10 20 30 40 50 60
Number of publications

CNN GAN

Figure 6: Distribution of publications per computer vision task.

However, generation stands out in the building floor plan category with 14 studies (three CNN

and 11 GAN), while segmentation has 13 (11 CNN and two GAN). In this case, the number of

177
applications matches one of the most creative and common tasks among designers: the spatial

organization of a building layout. The segmentation task in a layout comprised recognizing

building floor plan elements from learning semantic information, such as walls, doors, windows,

furniture, and their relationships to compose different types of rooms. Other applications (two

GAN and nine CNN in total) include detection of spaces, retrieval of information, reconstruction

of design, and classification of spaces.

In building facade, segmentation is dominant with 16 studies (15 CNN and one GAN). It fulfills

similar functions as in the floor plan category but is applied to the exterior surfaces of the building

and its components. Then, with ten CNN publications, classification plays an important role in

recognizing the building's architectural styles and structural conditions from CNN models.

Finally, generation, detection, and retrieval complete the ten other studies (five GAN and five

CNN).

In the 3D indoor scene category, segmentation (21 CNN studies) is followed by classification (14

CNN and one GAN studies) and 3D reconstruction (15 CNN studies), which estimates the 3D

arrangement of a room from 2D images gathered using robots and virtual or augmented reality.

Generation also stands out with 11 publications (six CNN and five GAN), where studies show

creating 3D layouts for indoor scenes or changing a layout from a 3D image. Then, detection,

fusion, feature selection, and retrieval add up to the ten CNN cases.

The next subsections compare the last CNN and GAN methods with traditional ones for each

main building design task. Segmentation (CNN) and generation (GAN) stand out among all

construction categories. However, other relevant tasks in their specific categories are shown, such

as building extraction (footprint), retrieval and detection (floor plan), classification, and

reconstruction (facade and 3D indoor scene). Furthermore, these comparisons show the evolution

of the analysis (CNN) and synthesis (GAN) processes in different building categories. Thus, it is

also possible to identify integration paths between computer graphics and computer vision in

building design.

178
3.1 Building footprint

The building footprint can be retrieved from remote sensing techniques, such as through digital

sensors aboard satellites and airplanes (LaGro, 2007) or other sources like unmanned aerial

vehicles (such as light detection and ranging), crowdsourcing (phone imagery), and advanced

driver-assistance system.

Thanks to CNN, mainly Fully Convolutional Networks (FCN), the interest in image segmentation

in remote sensing has grown recently (L. Ma et al., 2019). Some examples of CNN architectures

in building footprint include FCN, Faster/Mask R-CNN (Griffiths & Boehm, 2019), and Res-U-

Net, which are based on ResNet and SegNet. The major advantage of CNN is the capacity to

accumulate contextual information about large objects over vast receptive fields. However, the

process becomes challenging with low spatial resolution and blurry object boundaries (Marmanis

et al., 2018). Nonetheless, many recent studies used strategies to improve the semantic

segmentation process in remote sensing (Griffiths & Boehm, 2019).

For decades, non-deep learning methods were used in building extraction, like Random Forest

(Belgiu & Drǎguţ, 2014), Adaboost, and Support Vector Machine (R. Chen, Li, & Li, 2018).

However, these studies were not applied to complex, high-diversity urban regions (W. Li et al.,

2019). Moreover, these studies were based on handcrafted features, making it a problem for non-

experts as it requires prior experience to define specific design features (P. Liu et al., 2019),

particularly due to contour features of buildings, their complex morphology, and occlusions from

shadows. The methods that presented higher accuracy were CNN-based procedures (P. Liu et al.,

2019; Y. Liu et al., 2020; Schuegraf & Bittner, 2019; G. Wu et al., 2018; Ye et al., 2019).

Automated building extraction reduces time and cost when used to produce large-scale maps. In

addition to FCN, other CNN approaches are widely explored in remote sensing tasks, such as

ResNet (W. Deng, Shi, & Li, 2021; Milosavljević, 2020; Zhou et al., 2020) and U-Net (Pan et al.,

2019; Pasquali, Iannelli, & Dell’Acqua, 2019). Nevertheless, these methods still demanded efforts

to reduce the prediction error to the ground truth pixels (Shi, Li, & Zhu, 2019). To address this

issue, GAN has an appropriate architecture for classifying output images as real or fake. GAN to

179
segmentation map (Abdollahi, Pradhan, Gite, & Alamri, 2020) improves accuracy with an F1-

score of 96.8 %, compared with 95.2 % of an FCN model. Wasserstein GAN architecture

(WGAN) (Arjovsky, Chintala, & Bottou, 2017) is a solution for image completion that creates

patches to fill the gap in an unfinished image. The network uses residual learning procedures to

improve the produced picture. In a remote sensing application, WGAN and CGAN make up the

CWGAN, which improves the quality of building footprint generation. When exploring the

advantages of WGAN and CGAN, the CWGAN-GP method (Shi et al., 2019) improved the

quality of building footprint generation compared to methods such as CGAN and U-Net.

3.2 Building floor plan

Image recognition of floor plans is an effective procedure in automated document analysis, part

of the computer vision tasks (Dodge et al., 2017), from which techniques such as floor plan

retrieval (Sharma et al., 2017), floor plan vectorization (C. Liu et al., 2017), and automatic floor

plan generation (Rahbar et al., 2019) can be developed.

Architectural floor plan analysis is a specific application domain of graphics recognition whose

automation was incorporated into the computer-aided design platforms (Lluis-Pere de las Heras

et al., 2013). In recent decades, several works explored techniques for floor plan recognition, such

as room and wall segmentation (Ahmed, Liwicki, Weber, & Dengel, 2011a; Ahmed et al., 2012;

Lluís-Pere de las Heras et al., 2014; Lluis-Pere de las Heras et al., 2013; Dosch, Tombre, Ah-

Soon, & Masini, 2000b; Macé et al., 2010). Other steps follow floor plan analysis in the deep

computer vision, such as information segmentation, structural analysis, and semantic information

extraction and alignment (Ahmed et al., 2011a). These steps made it possible for graphic

segmentation VGG (Zeng et al., 2019), graphic and text segmentation using FCN architecture

(Dodge et al., 2017), wall extraction and detection using U-Net (Jang et al., 2018), and Faster R-

CNN (Ziran & Marinai, 2018). Beyond the traditional orthogonal forms of floor plan

representation, irregular shapes also can be recognized from kernels and the GAN training process

(Y. Zhang, He, Zhu, & Di, 2020).

180
Floor plan retrieval is the image-based recommendation that includes the user’s preferences to

predict a home purchase or a creative source in an initial stage of a design process. Traditionally,

researchers use these techniques for symbol recognition (Nayef & Breuel, 2013; Santosh et al.,

2014) or segmentation of the floor plan (Ahmed et al., 2014; Macé et al., 2010). For example, the

a.SCatch system is a sketch-based application that automatically extracts semantic structure from

old projects or an architect's sketch to retrieve a similar floor plan in a repository (Ahmed et al.,

2014). In the last years, modelers used a modified AlexNet (Sharma et al., 2017), FRCNN (Khade

et al., 2021), and Cyclic GAN (Sharma et al., 2019b, 2019a) for capturing semantic features from

floor plans. The latter is more efficient in matching the sketch and the image query (Sharma et

al., 2019b). While the Conditional GAN needs an aligned image pair to be trained, the Cyclic

GAN does not.

An architectural drawing, like a floor plan or building section, is often created in a vector format

and later converted into a raster image for publication in a digital medium. This procedure limits

the post-process, such as analysis, synthesis, or modifications. Moreover, this procedure results

in the loss of structured geometry and semantic information (Kalervo, Ylioinas, Markus Häikiö,

et al., 2019). Recovering is a challenging process (known as vectorization), which converts raster

data into vector data from the transformation of pixels into geometric primitives, such as lines,

polylines, and curves. This problem can be solved using several methods, including a skeleton-

based approach (Dosch et al., 2000b) and Hough transform with image vectorization (Macé et al.,

2010). For example, a CNN algorithm developed for low-level rasterized semantic and geometric

information achieved 90 % accuracy in a vectorization process (C. Liu et al., 2017). In another

example, an application of vectorization used a multi-task ResNet to create a large-scale floor

plan with 5,000 samples arranged into 80 categories from the dataset known as CubiCasa5K

(Kalervo, Ylioinas, Markus Häikiö, et al., 2019).

Recently, researchers have been developing generative models to create novel floor plans. The

primary method used in layout and furniture generation is GAN, which can be adopted singly

(Rahbar et al., 2019; C. Zhao, Yang, & Li, 2021; C. Zhao, Yang, Xiong, & Li, 2021) or linked to

181
some complementary source, such as a graph of the building spaces connections (each node

represents a room and each edge represents an adjacency). For instance, because GAN only has

the noise signal to control the generation process, the InfoGAN (X. Chen et al., 2016) improves

the method by using a given graph to produce and control a variety of design solutions. The

utilization of this method in floor plan generation allows the creation of early conceptual designs

through latent code learning, such as topology features or functional configuration spaces,

obtained from various designs (As et al., 2018). Another example of this application is the House-

GAN (Nauata et al., 2020a). House-GAN was developed specifically for a house floor plan

generation that combines GAN and a graph constraint. The output quality is measured according

to realism, diversity, and compatibility with the input graph constraint. Similarly, although not a

GAN approach but rather a CNN-based graph neural network, Graph2graph is also graph-

constrained and allows the user to generate a variety of floors for the same input boundary plans

(Hu et al., 2020).

3.3 3D indoor scene

The 3D scene understanding of the indoor environment has grown in recent years, mainly in

applications like augmented reality, virtual reality, robotics, games, and interior design. These

applications must consider the complex geometric and semantic context of all parts of the

analyzed space and their relationship. Therefore, an artificial intelligence agent must recognize

the scene's functional attributes and semantic labels and understand apparent and hidden

relationships between these components (Naseer, Khan, & Porikli, 2019).

When it comes to human visual scene interaction, modelers should consider human perception

beyond the analysis of image features and include the user’s memory, language application, and

constraints of the visual system (Rose & Bex, 2020). For example, measuring the person’s

feelings in interior design is promising research on human behavior and decision-making. In this

case, the emotional responses are determined using an electroencephalography-based deep

learning model (S. Chang & Jun, 2019).

182
The 3D reconstruction consists in building a 3D shape from 2D images. The procedure is

accomplished by modeling the geometry of an indoor scene by determining the polygonal

structured model (doors, walls, windows, floors), estimation of the room layout, and alignment

of the indoor with the outdoor models (also known as indoor-outdoor seamless modeling).

Another approach is to use semantic modeling, which allows understanding an environment in its

different parts and their relationships. Lastly, topological modeling determines the relationship

between elements, such as connectivity, adjacency, or containment between indoor spaces (Kang,

Yang, Yang, & Cheng, 2020).

The 3D indoor scene reconstruction from RGB images was frequently studied in the last decade.

Manhattan world assumption (Coughlan & Yuille, 1999), Bayesian network recognition (Delage,

Honglak Lee, & Ng, n.d.), and geometric context (Hedau, Hoiem, & Forsyth, 2009) were some

of the methods used. Recent methods, like CNN, improve the 3D reconstruction, which can be

accomplished with a single input image (Chu, Sung, & Cho, 2019; Izadinia, Shan, & Seitz, 2017;

Hanjun Kim, Moon, & Lee, 2019; C. Y. Lee, Badrinarayanan, Malisiewicz, & Rabinovich, 2017;

Sun, Hsiao, Sun, & Chen, 2019; Tulsiani, Gupta, Fouhey, Efrosefros, & Malik, 2018; Zou,

Colburn, Shan, & Hoiem, 2018). It is challenging due to incomplete images, low-depth

resolutions, missing data, and sensor noise (Naseer et al., 2019). For example, LayoutNet (Zou et

al., 2018) works directly on the panoramic image, unlike other recent studies that decompose it

into perspective images. Compared to previous methods, this method is similar to RoomNet (C.

Y. Lee et al., 2017) but has better accuracy with perspective images. The improvement of the

LayoutNet occurs due to image alignment from the vanishing points, predicting multiple layout

elements, and the use of the Manhattan constraints. Another example is HorizonNet (Sun et al.,

2019), which also uses panoramic images but outperforms LayoutNet by representing room

layout as three 1D vectors that encode the edges between walls-floors, ceiling-wall, and wall-

wall.

A relevant way for 3D scene understanding is the semantic segmentation from a 3D point cloud.

A volumetric 3D point clouds representation can be achieved with a voxel grid, consisting of a

183
regular grid in 3D space. Several investigations have adopted the combination of voxel grid and

convolutional frameworks, such as DGCNN (Engelmann, Kontogianni, Schult, & Leibe, 2019),

3D-FCN (S. Wang, Suo, Ma, Pokrovsky, & Urtasun, 2018), SCSS-Net (S. Deng, Dong, & Liu,

2021), and CNN with conditional random fields (CRFs) (N. Zhao, 2018). The CRFs combine the

advantage of classification, graphical modeling, and efficient parameter optimization. It is the

common resource for 3D point semantic segmentation (X. Liu, Li, Meng, Xiang, & Zhang, 2017;

Martinovic, Knopp, Riemenschneider, & Van Gool, 2015; T. Wang, Li, & An, 2015; Wolf,

Prankl, & Vincze, 2015, 2016). In addition, 3D fully convolutional networks (3D-FCN),

combined with CRFs, are potential deep learning methods for the classifier stage in 3D point

cloud segmentation (Tchapmi, Choy, Armeni, Gwak, & Savarese, 2018).

There are some approaches to 3D indoor scene modeling – the arrangement of a room from a

given set of furniture and elements relationships – such as human activities centric (Fisher, Savva,

Li, Hanrahan, & Nießner, 2015), example-based data-driven scene synthesis (Fisher, Ritchie,

Savva, Funkhouser, & Hanrahan, 2012), and action-driven 3D indoor scene evolution (R. Ma et

al., 2016). The data-driven scene modeling also can be based on other types of resources, such as

text (A. X. Chang, Eric, Savva, & Manning, 2017; A. X. Chang, Savva, & Manning, 2014),

sketches (J. Lee & Funkhouser, 2008; Schmidt, Wyvill, Sousa, & Jorge, 2006; K. Xu, Chen, Fu,

Sun, & Hu, 2013), and images (T. Liu, Hertzmann, Li, & Funkhouser, 2015). Recently,

researchers used a graph conditional prediction network (GC-LPN) to estimate the layout of a

room and a language conditional texture GAN (LCT-GAN) for generating interior texture (Q.

Chen et al., 2020). Generative recursive autoencoders (M. Li et al., 2019) and hybrid generative

models (GAN and VAE) (Ritchie, Wang, & Lin, 2019) are also alternatives in indoor scene

synthesis.

3.4 Building facade

One of the applications in building facade design is classification according to the facades’

historical style. Modelers use multimodal latent logistic regression (Z. Xu, Tao, Zhang, Wu, &

Tsoi, 2014), Support Vector Machines [107], and k-means (Goel, Juneja, & Jawahar, 2012;

184
Shalunts, 2015; Shalunts, Haxhimusa, & Sablatnig, 2011, 2012) to group images according to the

building’s historical period in Mexico (Abraham Montoya Obeso, Benois-Pineau, Acosta, &

Vázquez, 2016). In addition, these techniques allow grouping into architectural element

categories, such as doors, windows, and columns, among others.

The parsing of building facades has evolved over the last years in applications like 3D city

modeling. The challenge of this task consists of the variations of scenarios, the changes in the

illumination, visual perspective, and occlusions (Fathalla & Vogiatzis, 2017). One of the most

common techniques for 3D city modeling is the reconstruction building facade, which, together

with the scene understanding, is of interest to architectural design, digital scenarios in movies,

and virtual environments in games. For many of these applications in deep learning, facade

segmentation has been a fundamental vision task for detecting components of the facade from

architectures like CNN (Fond, Berger, & Simon, 2017), ConvNets (Schmitz & Mayer, 2016),

Mask R-CNN (Lippoldt, 2019), Faster R-CNN (H. Liu, Zhang, Zhu, & Hoi, 2017), RPN

(Rahmani & Mayer, 2018), SegNet (Fond et al., 2017; Fond, Berger, & Simon, 2021), FCN

(Zhuo, Monks, Esch, & Reinartz, 2019), and Pyramid ALKNet (W. Ma, Ma, Xu, & Zha, 2020).

Pyramid ALKNet has shown better performance with occluded regions, ambiguities, and other

image issues.

The 3D reconstruction from a 2D facade image or point cloud is another application of the

methods. Researchers applied computer vision methods in location-based services, architectural

restoration, and urban planning. Automation facade reconstruction can be realized using a

grammar-based algorithm describing the visual structure (N Ripperda, 2008; Nora Ripperda &

Brenner, 2006, 2009; Sadeghi, Arefi, Fallah, & Hahn, 2015; Wan & Sharf, 2012). Compared to

the global methods, this approach has the advantage of being flexible for accounting variation of

facades (Wan & Sharf, 2012). In recent years, researchers reconstructed a 3D building from point

clouds of facades using CNN (Lotte, Haala, Karpina, de Aragão, & Shimabukuro, 2018) or Faster

R-CNN in complex scenarios that included texture (Hensel, Goebbels, & Kada, 2019) and GAN-

185
based FCRN-Depth in cases with a higher number of segmentation classes (Bacharidis, Sarri, &

Ragia, 2020).

The generation of facades is a complex challenge because its design must relate to the

environmental, functional, structural, and aesthetical parameters. For this reason, a multi-

objective genetic algorithm is a helpful optimization procedure for finding the best performance

solution from a combined set of two or more decision variables. For example, in daylight

optimization, building shape results from the relationship between parameters such as the

window-to-wall ratio, number of windows, window distribution, length of shading devices, and

others (Gagne & Andersen, 2012). The split grammar, a variety of shape grammar (Stiny, 1980),

is also a shape control approach for generating a facade that offers an application for creating

different building styles (Wonka, Wimmer, Sillion, & Ribarsky, 2003; F. Wu, Yan, Dong, Zhang,

& Wonka, 2014). This approach's main limitation is its ability to learn, although it is suitable for

automating design creation from rules defined by the designer (Newton, 2019). The pix-to-pix, a

variety of cGAN, is a framework that learns semantic facade images from network training and

creates a new 2D design (Isola et al., 2017a). City-GAN (Bachl & Ferreira, 2019) and DCGAN

(Newton, 2019).

3.5 Analysis and synthesis in building design

In architectural design, computer vision methods are often divided into pre-processing,

segmentation, recognition (analysis process), and generation. The generation step can be divided

into synthesis and appraisal using a GAN approach (Figure 7). Synthesis of the pattern from image

information is understood to generate solutions identified in the analysis process. Lastly, the

decision made in an early design stage allows a starting point for a designer to elaborate on the

next stage or design process.

186
 Figure 7: Analysis, synthesis, appraisal, and decision making in early architectural design.

Modelers use image analysis for urban planning, diligence for law, real estate for land

development, landscape architecture, environmental remediation in engineering, and building

design for architectural concepts. In addition, the result of possible flows between the analysis

and generation processes (Figure 8) allows decision-making in building design as dimensional

aspects of the site: boundaries, location, zoning classification, and dimensional implications.

Figure 8: Analysis and decision-making from the relationship between deep learning in remote sensing.

187
With land size, zone, and constraints, the information will flow through the retrieval, conversion,

and analysis to make the floor plan components recognizable and manipulable, such as walls and

doors (Figure 9).

Figure 9: Layout generation and furniture from the relationship between deep learning and 2D layout plan.

The analysis of the 3D indoor scene (Figure 10) is composed of 3D reconstruction (with geometry,

semantic and topological modeling) and recognition (with semantic, detection, and classification)

of indoor scene components. The possible flow between the analysis process and synthesis

process, or other inputs such as 3D images and natural language text, allow the generation of a

new 3D indoor scene and its furniture arrangement.

188
 Figure 10: 3D indoor scene generation from the relationship between deep learning and 3D indoor scene plan.

The reconstruction process creates a facade model from a 2D image and a 3D point cloud for

facade recognition (Figure 11). This process results in facade segmentation, components

detection, as a frame for doors and windows, and architectural style classification. Finally, the

last possible flow follows from the analysis to the synthesis process, when the generator can create

a new building facade or 3D outdoor scene, completing the analysis and synthesis stages of the

conception of form in architectural design. In summary, the whole process consists in determining

the location of the building, arrangement of the rooms, distributing equipment and fixtures in

indoor scenarios, and designing the facade of a building by integrating deep learning into

architectural design conception.

189
 Figure 11: Facade generation from the relationship between deep learning and 3D indoor scene plan.

4 Methods and benchmarks

In addition to mastering network architectures, deep learning requires large datasets of images

when applied to architectural design. Although many papers use proprietary data, some datasets

are available in the open-access form. Table A 1 (Appendix A) lists these datasets according to

different task categories: footprint image, facade image, 3D indoor scene image, 3D point cloud

outdoor scene, 3D point cloud indoor scene, and floor plan image.

Table A 2 (Appendix A) presents the most common CNN and GAN methods found in the

literature review. Several network architectures are used, such as ResNet-based methods in

category building footprint (Audebert, Le Saux, & Lefèvre, 2018; Ayala, Sesma, Aranda, &

Galar, 2021; Q. Chen et al., 2018; Davari Majd, Momeni, & Moallem, 2019; W. Deng et al., 2021;

Hosseinpoor & Samadzadegan, 2020; Stiller, Stark, Wurm, Dech, & Taubenbock, 2019; Zhou et

al., 2020), GAN-based in building floor plan (As et al., 2018; Di et al., 2020; Hyunjung Kim,

2021; Nauata, Chang, Cheng, Mori, & Furukawa, 2020b; Sharma et al., 2019a, 2019b; C. Zhao,

Yang, & Li, 2021; C. Zhao, Yang, Xiong, et al., 2021), AlexNet-based in building facade (Yan

Li, Chen, Rajabifard, Khoshelham, & Aleksandrov, 2018; Nishida, Bousseau, & Aliaga, 2018; A.

190
Montoya Obeso, Benois-Pineau, Vázquez, & Acosta, 2019; Abraham Montoya Obeso, Vázquez,

Acosta, & Benois-Pineau, 2017; Schmitz & Mayer, 2016), and SegNet-based methods in 3D

indoor scene (Badrinarayanan et al., 2017; Zou et al., 2018, 2019).

4.1 Benchmarking metrics

Benchmarking compares different algorithms or methods from free and high-quality training data.

A long tradition in computer vision is to use datasets with RGB, RGB-D, and HSV images,

panoramic images, 3D point cloud, 3D mesh segmentation, and vector images in robotics and

remote sensing. Modelers use these data in computer vision tasks like image and point cloud

segmentation, scene classification, object detection, 3D indoor or outdoor scene reconstruction,

image retrieval, and object generation. For this purpose, they test diverse network architectures

to find the best results, as each method's accuracy depends on the dataset's size and the data's

quality. In addition, they may also split the data to guarantee the diversity of objects in training.

Benchmarking can present the state-of-the-art based on quantitative or qualitative criteria. Among

the analyzed works, the CNN method has the most metrics, such as Overall Accuracy (OA),

Precision (P), Recall (R), F1-Score (F1), Intersection over Union (IoU), and others (Figure 11),

which are defined as:

𝑇𝑃+𝑇𝑁
OA = 𝑇𝑃+𝐹𝑃+𝐹𝑁+𝑇𝑁 (1)

𝑇𝑃
P = 𝑇𝑃+𝐹𝑃 (2)

𝑇𝑃
R = 𝑇𝑃+𝐹𝑁 (3)

2∗𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛∗𝑅𝑒𝑐𝑎𝑙𝑙
F1 = (4)
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛+𝑅𝑒𝑐𝑎𝑙𝑙

𝑇𝑃
IoU = 𝑇𝑃+𝐹𝑁+𝐹𝑃 (5)

Where FN, FP, TP, and TN are the number of false negatives, false positives, true positives, and

true negatives, respectively. Other available error metrics are the mean squared error (MSE) and

mean absolute error (MAE).

191
 Footprint (CNN) 47 51 51 58 57 11

Footprint (GAN) 5 4 3 6 7

Floor plan (CNN) 10 9 7 1 7 1

Floor plan (GAN) 1 2 2 2 2

Facade (CNN) 23 11 10 10 6 2

Facade (GAN) 3

3D indoor scene (CNN) 35 9 5 3 26 23

3D indoor scene (GAN) 1 4

0% 20% 40% 60% 80% 100%

OA P R F1 IoU Other

Figure 12: Metrics used in design building category for CNN and GAN-based methods.

In footprint (CNN), OA is the least used metric compared to the main criteria. Two reasons justify

this condition (Maxwell, Warner, & Guillén, 2021): the first is that this metric is unsuitable for

object identification or instance segmentation. This problem occurs because the “true negative”

is normally not defined for objects. The second reason is that atypical classes are given a low

weighting in the accuracy calculations, more common in remote sensing datasets. In footprint,

most GAN methods are integrated within the analysis methods to extract remote sensing images.

Therefore, the metrics used to evaluate the results are similar to the CNN methods.

Unlike footprint (CNN), with 17 % of total applications of OA metric, all other design building

categories from CNN methods outperform it in the frequency of applications: 28 % in floor plan,

37 % in the facade, and 35 % in the 3D indoor scene. The P and R metrics maintain approximate

proportions, respectively, 26 % and 20 % in the floor plan, 18 % and 16 % in the facade, and 9 %

and 5 % in the 3D indoor scene. Facade and 3D indoor scene in GAN methods do not use

accuracy, but other relevant metrics are, such as Fréchet Inception Distance (FID), Amazon

Mechanical Turk (AMT), FCN-score, Maximun Mean Discrepance (MMD).

Precision and Recall are the most common in remote sensing in deep learning (Maxwell et al.,

2021). In footprint (CNN), these metrics are more frequently used than OA, both with 19 % of

the publications, but they are below F1 and IoU (both dominant in building footprint with 21 %

192
each) (Figure 11). F1 is normally described as the harmonic metric of R and P, and it has the

advantage of combining these metrics into one, capturing many aspects at once. IoU metric is the

most popular evaluation for object detection and segmentation tasks and is often used with

building extraction. However, in the GAN method for image synthesis, the precision is high when

there is a similarity between real and generated images. High R means the generator can create

from any sample of the training dataset (Lucic, Kurach, Michalski, Bousquet, & Gelly, 2018).

These metrics are used in the floor plan task (particularly in GAN) with 25 % of publications.

Although F1 keeps the same proportion of R in the facade, with 16 % of publications, it has lower

application in floor plan and 3D indoor scene tasks, with 3 % in both cases. In CNN methods,

other metrics only have statistical relevance in the 3D indoor scene, found in 23 % of publications.

4.2 Quantitative results and state-of-the-art

The main methods used in different building categories from the last years are compared in Table

3. The OA, P, R, F1, and IoU metrics are the most common in CNN, while FID is dominant in

GAN. In some cases, more than one dataset is used to compare the same methods and verify how

they behave in different data conditions. The state-of-the-art results follow the order of metrics in

the table, whereas the bold font represents the better result compared to other benchmark methods.

Table 3: Benchmark between main methods of different tasks and building categories

Metric
Category Task Author Method Dataset Accuracy
OA P R F1 IoU Other

Massachuset 0.8857, 0.8238,

x x x x
(Cai & SegNet, U- ts Building 0.8536, 0.7446
Building
Chen, Net, WHU
extraction 0.9578, 0.9509,
2021) DeepLabV3 x x x x Aerial
0.9543, 0.9126
Building
(Hang, Houston 72.57, 66.80,
2DCNN, x x Kappa
Li, Liu, 2018 64.89, 58.02
ECNN,
Footprint Ghamisi
GCNN,
(CNN) Classification ,&
3DCNN, 58.55, 61.06,
Bhattach x x Kappa HYRANK
SSRN, 47.88, 51.61
aryya,
MSDNSA
2021)
(H. FC-EF, FC- 0.916, 0.865,
Chen, Siam-conc, x x x LEVIR-CD
0.89
Detection Li, & FC-Siam-diff,
Shi, DTCDSCN, 0.914, 0.869,
x x x WHU-CD
2021) STANet 0.891
(Ziaee,
mPA,
Dehboz
Footprint mA, Orthofoto 0.96, 0.89, 0.83,
Generation orgi, & Pix2Pix
(GAN) mIoU, Tirol 0.90
Döller,
mFWIU
2021)

193
 (Simons
en,
(Dodge et al.,
Thiesso 60.8, 75.2, 75.9
2017), (C. Liu
n, Lifull (IoU >0.95);
Detection et al., 2017), x x x x
Philipse Home's 94.5, 96.7, 97.6
(Zeng et al.,
n, & (IoU>0.5)
2019), FCNs
Moeslun
d, 2021)
Floor plan
(CNN) (Y. x mIoU R2V 0.92, 0.81
PSPNet,
Zhang et
Segmentation DeepLabV3,
al.,
Deepfloorplan
2020) x mIoU R3D 0.94, 0.75

(Khade
CNN, Sharma,
Retrieval et al., mAP ROBIN 0.7446
2016, 2018
2021)
(Nauata
Floor plan GAN, CNN, Lifull 13.6, 9.4, 14.4,
Generation et al., FID
(GAN) GCN Home's 11.6, 20.1
2020a)
(Tavakk
oli, (Abraham
Mohsen Montoya
zadegan, Obeso et al., 96.4 %, 96.9 %,
Classification x x x x Particular
& 2016), ResNet 96.1 %, 95.9 %
Kyamak 18 and ResNet
ya, 34
2020)
x ECP 95
(C. K.
(H. Liu et al.,
Detection Li et al., x eTrims 84
2020)
2020)
x Graz 50 90
(Femiani,
Facade Para, Mitra, &
(CNN) Wonka,
(W. Ma, 2018),
Class
Ma, et (Fathalla & 88.40, 84.09,
x x Average ECP
al., Vogiatzis, 83.86, 73.42
, mIoU
2020) 2017),
(Rahmani &
Mayer, 2018),
Segmentation
and others
RueMonge2 53.66, 79.58,
mIoU
(W. Ma, Ma, 014 46.92, 60.05
(W. Ma,
et al., 2020),
Xu, Ma, ECP-
FPN, PSPNet, Class Occluded
& Zha,
DeepLabv3+, 85.16, 84.87,
2020) x Average and
and others 74.86
, mIoU RueMonge2
014
(Qian,
Facade Xu, & WGAN,
Generation FID Sketch 67.58  0.9
(GAN) Li, SAGAN
2021)
(Dasgupta,
(W. Fang, Chen, & PE Hedau 7.36
Zhang, Savarese,
3D
Zhang, 2016), (C. Y.
reconstruction
& Gu, Lee et al., x PE, CE LSUN 81.22, 6.94, 5.16
2020) 2017), and
others
3D indoor
(Song, SUN RGB-
scene x 56.2 %
Herranz, & D
(CNN)
Jiang,
(Xiong,
2017),(Yabei
Feature Yuan, &
Li, Zhang,
selection Wang,
Cheng, x NYUD v2 68.1 %
2020)
Huang, &
Tan, 2018),
and others

194
 (Mosella SUN RGB-
mA 56.4, 44.1, 58.6
- 2 D
DF Net,
Montoro
Fusion MAPNet,
& Ruiz- NYUD-
TRecNet mA 67.8, 59.2, 75.1
Hidalgo, Depth v2
2021)
(Fernandez- CE, PE
Labrador et 78.87, 0.75, 2.49,
x (SS), PE SUN360
al., 2019), 3.03
(Sun et (CS)
(Zou et al.,
Segmentation al.,
2018), (S. T. Cerr, PE
2019) Stanford 65.23, 1.44, 4.75,
Yang et al., x (SS), PE
2019), and 2D-3D 6.05
(CS)
others
(Jeong,
OASIS,
Jo,
3D indoor SPADE, CC-
Wang, mIoU, 0.622, 94.258,
scene Generation FPSE, SceneNet
Cho, & FID, VC 62.694
(GAN) SESAME,
Park,
LGGAN
2021)

In the building footprint category, the extraction task has high accuracy in small buildings and
complex roof configurations. However, it has a low R and does not use land cover classification
in its applications (Cai & Chen, 2021). In the detection task, the shadow extraction methods may
falsely detect the dark land covers as dense vegetation (H. Chen et al., 2021). Also, it has no better
P and R.

In the building floor plan category, the detection task has demonstrated the advantages of graph-
based representations for analysis from quantitative results (Simonsen et al., 2021). However, the
point drop in performance for the baseline method in their applied dataset demonstrates the
difficulty in constructing a repository that supports graph and raster-based approaches.
Furthermore, in the segmentation task, recognition fails in villas when images have different
floors in a single figure. Also, it does not perform well in semantic segmentation for basic
elements such as walls, windows, rooms, and icons such as sink or fire (Y. Zhang et al., 2020).
Finally, in the retrieval task, the multi-oriented framework handles scan time rotations and is also
invariant to scale (Khade et al., 2021). However, the performance is reduced when severe noise
is present. In this case, new descriptors are needed with specific resources to annotate the global
figure shape automatically.

In the building facade category, misclassifications can occur when we have similar or
indistinguishable classes of houses (Tavakkoli et al., 2020), such as “villa” and “detached house,”
suggesting that a better class definition is needed. Some approaches overcome misclassification
by adding several pre-processing features for extracting different channel information. However,
the procedure uses more memory and a longer training time. Furthermore, in the generation task,
there are limitations on the assignment functionality as location, neighborhood, culture, and
climate to customized architectural design (Qian et al., 2021).

The generation task in the 3D indoor scene category has two noticeable limitations (Jeong et al.,
2021). First, the network cannot model the view-dependent light effect because it assigns one
color for each 3D coordinate. In addition, the model does not recognize transparency, thus

195
considering all colors opaque. Second, large scenes take a long time to train, reaching up to 15
hours for one scene of the SceneNet dataset.

5 Discussion
Regarding the first research question of this work, several deep learning approaches have been
used in building design. Approaches that have resulted in flow automation between different
building representations and integration between analysis-synthesis from deep learning are
important for this study because the building design must be considered an iterative process.
Furthermore, the automatic image treatment with accuracy in recognition of different
architectonic typologies and surroundings allows the use of these tools by non-experts, allowing
greater adherence among designers. Therefore, the main advances identified in this work are as
follows:

• Automation of building extraction from GAN (synthesis) to complete the image for a
better quality of an image.
• Integration between analysis (CNN) and synthesis (GAN) to image detection and
vectorization automation to recognize floor plans and create 3D models.
• Achieves reconstruction of 3D models from 2D imagery that includes complex scenarios,
textures, and many segmentation classes in building facades. In addition, its accuracy
outperforms compared to traditional methods in a 3D indoor scene.
• Broader and reliable retrieval of models from sketches. In addition, it is more efficient in
matching the sketch and the image query than previous methods.
Relatively to the second research question, there are several challenges and barriers to integrating

CNN and GAN methods. Some of which are:

• Many methods use supervised learning, which needs human labeling (a time-consuming

and costly task).

• Moreover, despite more and more datasets being freely accessible yearly, high-quality

datasets are still not widely available.

• Some existing datasets present occlusions in scenes and low-quality images that require

pretreatment of the data. For example, poor indoor or outdoor lighting, lens optical

distortions, or camera sensor limitations compromise image quality and require human

expertise to correct.

196
Other studies can seek integration between these networks and building design, going beyond

computer vision and exploring other types of data that allow understanding their building

performance, such as energy and thermal, and image analysis or synthesis. Customized

architectural design from location, culture, and neighborhood is another possible study from the

analysis use and land cover context with remote sensing to 3D model generation through building

facade reconstruction. For this, the CNN-GAN tools must assume multi-task functionalities and

availability of multiscale datasets to different categories of building design representations.

Lastly, as experts and non-experts in computer science can use these methods, future integrations

in building design are expected as the number of users will continue to grow.

This work has some limitations. The keywords and their combination do not exhaust all possible

search results; therefore, some publications might not be included in this review. In addition, this

work is limited to CNN and GAN methods, which leaves out other methods such as recurrent

neural networks, long short-term memory neural computation, and variational autoencoders.

Integration between CNN and GAN as a design method in different categories is a possibility

found in this study since analysis, evaluation, and synthesis are requirements in building design

processes for decision making. Furthermore, the CNN-GAN improves performance compared to

traditional methods, reducing classification errors and improving results. In addition, the

automation between CNN and GAN can overcome common barriers in image processing by

facilitating the participation of non-specialists in specific steps such as remote sensing or floor

plan vectorization to reconstruct them in 3D.

6 Conclusion
This paper reviews the application of CNN and GAN algorithms in several tasks of automated

building design, such as building footprint, building floor plan, 3D indoor scene, and building

facade. The increasing number of publications reflects the growing interest in deep learning

applied to building design, particularly computer vision and computer graphics techniques.

Complementarily, the increasing availability of public datasets and source code will encourage

more professionals to adopt these techniques, thus opening a path for radical and innovative

197
solutions in building design. Nonetheless, their use is still in its infancy and is not common among

building engineering and architectural design professionals.

CNN and GAN-based approaches have great potential for integration into building design. They

can be easily employed after training without experience and expertise, thus overcoming the

downfalls of traditional artificial intelligence methods. Also, these approaches have a high degree

of automation and produce good quality results (still highly dependent on the type of task).

Although these methods show more advantages in the analyzed studies than other methods, the

workflow between the different stages of the building design is not yet smooth or accessible to

many designers. In conclusion, CNN-based networks provide the necessary understanding,

manipulation, and results when adequately applied. Meanwhile, GANs were found to help

complete images, generate building layouts, and create facades for different architectural styles.

Acknowledgments
The presented work is framed under the Energy for Sustainability Initiative of the University of

Coimbra (UC).

Funding: This work was supported by the Foundation for Science and Technology (FCT) [grant

number PTDC/EME-REN/3460/2021]. This work was also financially supported by: Base

Funding – UIDB/04708/2020 and Programmatic Funding – UIDP/04708/2020 of the

CONSTRUCT – Instituto de I&D em Estruturas e Construções and the Base Funding –

UIDB/00145/2020 of the CEAU – Center for Studies in Architecture and Urbanism, both funded

by national funds through the FCT/MCTES (PIDDAC).

Eugénio Rodrigues is funded by the Portuguese Foundation for Science and Technology (FCT)

through a researcher contract [2021.00230.CEECIND].

CRediT author statement

Jean Marcell Parente: Conceptualization, Methodology, Formal analysis, Investigation, Data

Curation, Visualization, Writing - Original Draft, Writing - Review & Editing; Eugénio

Rodrigues: Conceptualization, Methodology, Visualization, Writing - Original Draft, Writing -

198
Review & Editing, Supervision, Funding acquisition; Bárbara Rangel: Writing - Review &

Editing, Supervision; João Poças Martins: Writing - Review & Editing, Supervision.

References
Abdollahi, A., Pradhan, B., Gite, S., & Alamri, A. (2020). Building Footprint Extraction from High Resolution Aerial
Images Using Generative Adversarial Network (GAN) Architecture. IEEE Access, (December), 1–1.
https://doi.org/10.1109/ACCESS.2020.3038225
Abiko, A. K. (1995). Introdução à Gestão Habitacional. São Paulo.
Abiko, A. K., & Albieri, L. (1996). Gestão habitacional e mutirão. In Mutirão Habitacional. São Paulo: Epusp.
Abiko, A. K., & Coelho, L. de O. (2004). Procedimentos de gestão habitacional para população de baixa renda.
Ambiente Construido, 4, 7–20.
ABNT. (2005). NBR 15220-3. Desempenho térmico de edificações Parte 3: Zoneamento bioclimático brasileiro e
diretrizes construtivas para habitações unifamiliares de interesse social.
ABNT. (2013). NBR 15575-1. Edificações Habitacionais — Desempenho Parte 1 : Requisitos gerais Prefácio. Rio
de Janeiro.
Afif, M., Ayachi, R., Said, Y., Pissaloux, E., & Atri, M. (2020). Indoor Image Recognition and Classification via
Deep Convolutional Neural Network (pp. 364–371). https://doi.org/10.1007/978-3-030-21005-2_35
Ahmed, S., Liwicki, M., Weber, M., & Dengel, A. (2011a). Improved automatic analysis of architectural floor plans.
Proceedings of the International Conference on Document Analysis and Recognition, ICDAR, 864–869.
https://doi.org/10.1109/ICDAR.2011.177
Ahmed, S., Liwicki, M., Weber, M., & Dengel, A. (2011b). Improved Automatic Analysis of Architectural Floor
Plans. In 2011 International Conference on Document Analysis and Recognition (pp. 864–869). IEEE.
https://doi.org/10.1109/ICDAR.2011.177
Ahmed, S., Liwicki, M., Weber, M., & Dengel, A. (2012). Automatic Room Detection and Room Labeling from
Architectural Floor Plans. In 2012 10th IAPR International Workshop on Document Analysis Systems (pp.
339–343). IEEE. https://doi.org/10.1109/DAS.2012.22
Ahmed, S., Weber, M., Liwicki, M., Langenhan, C., Dengel, A., & Petzold, F. (2014). Automatic analysis and
sketch-based retrieval of architectural floor plans. Pattern Recognition Letters, 35(1), 91–100.
https://doi.org/10.1016/j.patrec.2013.04.005
Alexander, C. (1985). The Production of Houses (1st editio). Oxford University Press.
Almeida, L. S. S. (2014). Influência de padrões físicos e geométricos no desempenho termoenergético de habitações
unifamiliares. Universidade Federal de Santa Catarina.
Alves, C. A., Duarte, D. H. S., & Gonçalves, F. L. T. (2015). Residential buildings’ thermal performance and comfort
for the elderly under climate changes context in the city of São Paulo, Brazil. Energy and Buildings, 114, 62–
71. https://doi.org/10.1016/j.enbuild.2015.06.044
Amore, C. S., Shimbo, L. Z., & Rufino, M. B. C. (2015). À guisa de conclusão: nota pública da Rede Cidade e
Moradia. In Minha Casa... E a Cidade? Avaliação do Programa Minha Casa Minha Vida em seis estados
Brasileiros (p. 428). Rio de Janeiro: Letra Capital Editora.
Arantes, P. F. (2012). A arquitetura na era digital-financeira: desenho, canteiro e renda da forma (1st ed.). São
Paulo: Editora 34.
Arjovsky, M., Chintala, S., & Bottou, L. (2017). Wasserstein GAN. Retrieved from http://arxiv.org/abs/1701.07875
Arnheim, R. (1989). Intuição e Intelecto na Arte. São Paulo: Martins Fontes.
As, I., Pal, S., & Basu, P. (2018). Artificial intelligence in architecture: Generating conceptual design via deep
learning. International Journal of Architectural Computing, 16(4), 306–327.
https://doi.org/10.1177/1478077118800982
ASHRAE. (2010). Standard 55: Thermal environmental conditions for human occupancy. The American Society of
Heating, Refrigerating and Air-Conditioning Engineers. Retrieved from www.ashrae.org
Attia, S. (2012). A Tool for Design Decision Making: Zero Energy Residential Buildings in Hot Humid Climates.
Université catholique de Louvain.
Audebert, N., Le Saux, B., & Lefèvre, S. (2018). Beyond RGB: Very high resolution urban remote sensing with

199
 multimodal deep networks. ISPRS Journal of Photogrammetry and Remote Sensing, 140, 20–32.
https://doi.org/10.1016/j.isprsjprs.2017.11.011
Ávila, S. L. (2006). Otimização Multiobjetivo e Análise de Sensibilidade para Concepção de Dispositivos.
Universidade Federal de Santa Catarina. Retrieved from https://repositorio.ufsc.br/handle/123456789/88982
Ayala, C., Sesma, R., Aranda, C., & Galar, M. (2021). A Deep Learning Approach to an Enhanced Building
Footprint and Road Detection in High-Resolution Satellite Imagery. Remote Sensing, 13(16), 3135.
https://doi.org/10.3390/rs13163135
Azevedo, S. de, & Andrade, L. A. G. de. (2011). Habitação e poder: da fundação da casa popular ao Banco
Nacional da Habitação. Habitação e poder: da fundação da casa popular ao Banco Nacional da Habitação.
Rio de Janeiro: Centro Edelstein de Pesquisas Sociais. https://doi.org/10.7476/9788579820557
Bacharidis, K., Sarri, F., & Ragia, L. (2020). 3D building façade reconstruction using deep learning. ISPRS
International Journal of Geo-Information, 9(5), 1–24. https://doi.org/10.3390/ijgi9050322
Bachl, M., & Ferreira, D. C. (2019). City-GAN: Learning architectural styles using a custom Conditional GAN
architecture, 1–10. Retrieved from http://arxiv.org/abs/1907.05280
Badrinarayanan, V., Kendall, A., & Cipolla, R. (2017). SegNet: A Deep Convolutional Encoder-Decoder
Architecture for Image Segmentation. In IEEE Transactions on Pattern Analysis and Machine Intelligence
(Vol. 39, pp. 2481–2495). https://doi.org/10.1109/TPAMI.2016.2644615
Balthazar, R. D. S. (2012). A permanência da autoconstrução: um estudo de sua prática no Município de Vargem
Grande Paulista. Universidade de São Paulo, São Paulo. https://doi.org/10.11606/D.16.2012.tde-02072012-
132335
Baratto, R. (2015). USINA 25 anos - Reassentamento da Comunidade do Piquiá de Baixo. Retrieved November 1,
2021, from https://www.archdaily.com.br/br/768315/usina-25-anos-reassentamento-da-comunidade-do-piquia-
de-baixo
Barcelos, K. A., & Brandão, D. Q. (2017). Avaliação da Qualidade da Habitação Social no que se Refere à
Adequação Espacial-Funcional e sua Interferência nos Custos. E&S Engineering and Science, 6(1), 51.
https://doi.org/10.18607/es201747526
Battaglia, P. W., Hamrick, J. B., Bapst, V., Sanchez-Gonzalez, A., Zambaldi, V., Malinowski, M., … Pascanu, R.
(2018). Relational inductive biases, deep learning, and graph networks. ArXiv, 1–40.
Belcher, S. E., & Hacker, J. N. (2005). Building Services Engineering Research and Technology. Building Services
Engineering Research and Technology, 26(1). https://doi.org/10.1191/0143624405bt112oa
Belgiu, M., & Drǎguţ, L. (2014). Comparing supervised and unsupervised multiresolution segmentation approaches
for extracting buildings from very high resolution imagery. ISPRS Journal of Photogrammetry and Remote
Sensing, 96, 67–75. https://doi.org/10.1016/j.isprsjprs.2014.07.002
Belogolovsky, V. (2017, January 23). A beleza é o auge da funcionalidade! Archdaily. Retrieved from
https://www.archdaily.com.br/br/803527/entrevista-com-alvaro-siza-a-beleza-e-o-auge-da-funcionalidade
Beltrame, G. (2013). Vazios urbanos: notas sobre a escassez social do imóvel urbano. Vazios Urbanos: Notas Sobre a
Escassez Social Do Imóvel Urbano, 15(1), 113–138. https://doi.org/10.12957/irei.2013.9419
Berman, D. S., Buczak, A. L., Chavis, J. S., & Corbett, C. L. (2019). A survey of deep learning methods for cyber
security. Information (Switzerland), 10(4). https://doi.org/10.3390/info10040122
Bertagnolio, S., & André, P. (2010). Development of an Evidence-Based Calibration Methodology Dedicated to
Energy Audit of Office Buildings. Part 1: Methodology and Modeling. Proceedings of the 10th REHVA World
…. Retrieved from
http://www.harmonac.info/fileadmin/downloads/papers/clima2010/CLIMA10_HAC_paper1_SB100126.pdf%
5Cnhttp://orbi.ulg.ac.be/handle/2268/29291
Berthelot, D., Schumm, T., & Metz, L. (2017). BEGAN: Boundary Equilibrium Generative Adversarial Networks.
IEEE Access, 6, 11342–11348. https://doi.org/10.1109/ACCESS.2018.2804278
Bhatt, D., Patel, C., Talsania, H., Patel, J., Vaghela, R., Pandya, S., … Ghayvat, H. (2021). Cnn variants for computer
vision: History, architecture, application, challenges and future scope. Electronics (Switzerland), 10(20), 1–28.
https://doi.org/10.3390/electronics10202470
Blachère, G. (1971). Savoir bâtir: habitabilité, durabilité, économie des bâtiments. Eyrolles.
Bonduki, N. G. (1994). Origens da habitação social no Brasil.
Bonduki, N. G. (2004). Origens da habitação social no Brasil: Arquitetura moderna, Lei do Inquilinato e difusão da
casa própria (1st ed.). São Paulo: Estação Liberdade.
Bonduki, N. G., Rolnik, R., & Amaral, A. (2003). São Paulo: Plano Diretor Estratégico. Cartilha de Formação. São

200
 Paulo.
Boueri, J. (1989). Antropometria: fator de dimensionamento da habitação. Universidade de São Paulo.
Boueri, J. (1994). Espaço Mínimo da Habitação e Avaliação Dimensional da Habitação. São Paulo.
Boueri, J. (2008). Projeto e dimensionamento dos espaços da habitação – espaços de atividades, 48. Retrieved from
http://www.estacaoletras.com.br/pdfs/ebook_espaco_atividades.pdf
Boueri, J. J., Pedro, J. B., & Scoaris, R. de O. (2012). Análise das exigências de área aplicáveis às habitações do
programa “Minha casa Minha vida.” In Qualidade especial e funcional da habitação. LNEC.
Bragança, L., Vieira, S. M., & Andrade, J. B. (2014). Early stage design decisions: The way to achieve sustainable
buildings at lower costs. The Scientific World Journal, 2014. https://doi.org/10.1155/2014/365364
Brandão, D. Q. (2011a). Disposições técnicas e diretrizes para projeto de habitações sociais evolutivas. Ambiente
Construído, 11(2), 73–96. https://doi.org/10.1590/S1678-86212011000200006
Brandão, D. Q. (2011b). Disposições técnicas e diretrizes para projeto de habitações sociais evolutivas. Ambiente
Construído, 11(2), 73–96. https://doi.org/10.1590/S1678-86212011000200006
Brandão, D. Q., & Heineck, L. F. M. (2003). Significado multidimensional e dinâmico do morar: compreendendo as
modificações na fase de uso e propondo flexibilidade nas habitações sociais Multidimensional and dynamic
meaning of dwellings: understanding changes during the use phase and proposing flex. Ambiente Construido,
3(4), 35–48.
Brandão, D. Q., & Heineck, L. F. M. (2008). Estratégias de flexibilização de projetos residenciais iniciadas na década
de 1990 no Brasil: tão-somente um recurso mercadológico? Ambiente Construído, 7(4), 71–87.
Brasil. (1988). Constituição da República Federativa do Brasil. Brasília, DF: Centro Gráfico.
Brasil. (2008). Lei No 11.888, de 24 de dezembro de 2008. Retrieved November 1, 2021, from
http://www.planalto.gov.br/ccivil_03/_ato2007-2010/2008/lei/l11888.htm
Brasil. (2012). Regulamento Técnico da Qualidade para o Nível de Eficiência Energética deEdificações
Residenciais. Retrieved from http://www.inmetro.gov.br/legislacao/rtac/pdf/RTAC001788.pdf
Bre, F., Silva, A. S., Ghisi, E., & Fachinotti, V. D. (2016). Residential building design optimisation using sensitivity
analysis and genetic algorithm. Energy and Buildings, 133, 853–866.
https://doi.org/10.1016/j.enbuild.2016.10.025
Briot, J. P., & Pachet, F. (2020). Deep learning for music generation: challenges and directions. Neural Computing
and Applications, 32(4), 981–993. https://doi.org/10.1007/s00521-018-3813-6
Brock, A., Donahue, J., & Simonyan, K. (2019). Large scale GaN training for high fidelity natural image synthesis.
7th International Conference on Learning Representations, ICLR 2019, 1–35.
Buffa, E. S., Armour, G. C., & Vollmann, T. E. (1964). Allocating Facilities with CRAFT. Harvard University.
Buzzar, M. A., & Fabrício, M. M. (2007). Desenvolvimento de metodologia de avaliação para o aspecto produto
habitacional do programa de arrendamento residencial. Risco: Revista de Pesquisa Em Arquitetura e
Urbanismo (Online), (5), 226. https://doi.org/10.11606/issn.1984-4506.v0i5p226-235
Cai, J., & Chen, Y. (2021). MHA-Net: Multipath Hybrid Attention Network for Building Footprint Extraction From
High-Resolution Remote Sensing Imagery. IEEE Journal of Selected Topics in Applied Earth Observations
and Remote Sensing, 14, 5807–5817. https://doi.org/10.1109/JSTARS.2021.3084805
Caixa Econômica Federal. (2010). Boas práticas para habitação mais sustentável. Selo Azul Caixa: Boas práticas
para habitação mais sustentável. São Paulo: Páginas e Letras.
Caixa Econômica Federal. (2020). Minha Casa Minha Vida - Habitação Urbana. Retrieved from
http://www.caixa.gov.br/voce/habitacao/minha-casa-minha-vida/urbana/Paginas/default.aspx
Cardoso, L. R. de A., & Abiko, A. K. (1994). Construção habitacional por mutirão: gerenciamento e custos. São
Paulo.
Carvalho, B. R., Faria, J. A., & Martins, J. P. P. (2010, March). Construção como linguagem. Cadernos d’Obra
Revista Científica Internacional de Construção (CdO).
Carvalho, B. R., Faria, J. A., & Martins, J. P. P. (2011, May). Arquitetura como disciplina. Cadernos d’Obra Revista
Científica Internacional de Construção (CdO).
Carvalho, B. R., Faria, J. A., Martins, J. P. P., & Sá, A. V. (2009, January). Arquitectura / Engenharia. Cadernos
d’Obra Revista Científica Internacional de Construção (CdO).
Castro Pena, M. L., Carballal, A., Rodríguez-Fernández, N., Santos, I., & Romero, J. (2021). Artificial intelligence
applied to conceptual design. A review of its use in architecture. Automation in Construction, 124.
https://doi.org/10.1016/j.autcon.2021.103550

201
Celani, G., Cypriano, D., Godoi, G. De, & Vaz, C. E. (2006). A gramática da forma como metodologia de análise e
síntese em arquitetura. Conexão - Comunicação e Cultura, 5(10), 180–197.
Chaillou, S. (2019). AI + Architecture. Towards a New Approach. Harvard University, 1–5.
https://doi.org/10.4271/942059
Chang, A. X., Eric, M., Savva, M., & Manning, C. D. (2017). SceneSeer: 3D Scene Design with Natural Language.
Retrieved from http://arxiv.org/abs/1703.00050
Chang, A. X., Savva, M., & Manning, C. D. (2014). Learning spatial knowledge for text to 3D scene generation.
EMNLP 2014 - 2014 Conference on Empirical Methods in Natural Language Processing, Proceedings of the
Conference, 2028–2038. https://doi.org/10.3115/v1/d14-1217
Chang, S., & Jun, H. (2019). Hybrid deep-learning model to recognise emotional responses of users towards
architectural design alternatives. Journal of Asian Architecture and Building Engineering, 18(5), 381–391.
https://doi.org/10.1080/13467581.2019.1660663
Chen, H., Li, W., & Shi, Z. (2021). Adversarial Instance Augmentation for Building Change Detection in Remote
Sensing Images. IEEE Transactions on Geoscience and Remote Sensing, 1–16.
https://doi.org/10.1109/TGRS.2021.3066802
Chen, Q., Wang, L., Wu, Y., Wu, G., Guo, Z., & Waslander, S. L. (2018). Aerial Imagery for Roof Segmentation: A
Large-Scale Dataset towards Automatic Mapping of Buildings. ArXiv, (September).
Chen, Q., Wu, Q., Tang, R., Wang, Y., Wang, S., & Tan, M. (2020). Intelligent Home 3D: Automatic 3D-House
Design From Linguistic Descriptions Only. In 2020 IEEE/CVF Conference on Computer Vision and Pattern
Recognition (CVPR) (pp. 12622–12631). IEEE. https://doi.org/10.1109/CVPR42600.2020.01264
Chen, R., Li, X., & Li, J. (2018). Object-Based Features for House Detection from RGB High-Resolution Images.
Remote Sensing, 10(3), 451. https://doi.org/10.3390/rs10030451
Chen, X., Duan, Y., Houthooft, R., Schulman, J., Sutskever, I., & Abbeel, P. (2016). InfoGAN: Interpretable
Representation Learning. In 30th Conference on Neural Information Processing Systems (NIPS 2016) (pp.
2172–2180). https://doi.org/10.1007/978-3-319-16817-3
Chu, P. M., Sung, Y., & Cho, K. (2019). Generative Adversarial Network-Based Method for Transforming Single
RGB Image into 3D Point Cloud. IEEE Access, 7, 1021–1029. https://doi.org/10.1109/ACCESS.2018.2886213
Chugh, T., Sindhya, K., Hakanen, J., & Miettinen, K. (2019). A survey on handling computationally expensive
multiobjective optimization problems with evolutionary algorithms. Soft Computing, 23(9), 3137–3166.
https://doi.org/10.1007/s00500-017-2965-0
Coelho, M. S. (2013). Habitação De Interesse Social: Flexibilidade Espacial Do Ambiente Interno Considerando a
Qualidade Na Implantação, 1–63.
Coelho, W. R. (2002). O déficit das moradias: instrumento para avaliação e aplicação de programas habitacionais.
Universidade de São Paulo, São Carlos. https://doi.org/10.11606/D.18.2002.tde-19032003-155800
Coello Coello, C. A. (1999). A Comprehensive Survey of Evolutionary-Based Multiobjective Optimization
Techniques. Knowledge and Information Systems, 1(3), 269–308. https://doi.org/10.1007/bf03325101
Corbusier, L. (2011). Por uma arquitetura (6th ed.). São Paulo: Perspectiva.
Costa, H. A., Logsdon, L., & Fabricio, M. M. (2018). Flexibilidade em projetos de arquitetura: contribuições a partir
de uma revisão sistemática da literatura. PARC Pesquisa Em Arquitetura e Construção, 8(3), 144.
https://doi.org/10.20396/parc.v8i3.8650206
Coughlan, J. M., & Yuille, A. L. (1999). Manhattan World: compass direction from a single image by Bayesian
inference. In Proceedings of the Seventh IEEE International Conference on Computer Vision (pp. 941–947
vol.2). IEEE. https://doi.org/10.1109/ICCV.1999.790349
Cross, N., & Roozenburg, N. (1992). Modelling the Design Process in Engineering and in Architecture. Journal of
Engineering Design, 3(4), 325–337. https://doi.org/10.1080/09544829208914765
Da Costa, J. M. (1995). Métodos de Avaliação da Qualidade de Projectos de Edifícios de Habitação. Universidade
do Porto.
Dalbem, R., Grala da Cunha, E., Vicente, R., Figueiredo, A., Oliveira, R., & Silva, A. C. S. B. da. (2019).
Optimisation of a social housing for south of Brazil: From basic performance standard to passive house
concept. Energy, 167, 1278–1296. https://doi.org/https://doi.org/10.1016/j.energy.2018.11.053
Dalbem, R., Grala, E., Vicente, R., Figueiredo, A., Oliveira, R., & Antonio, C. (2019). Optimisation of a social
housing for south of Brazil : From basic performance standard to passive house concept, 167, 1278–1296.
https://doi.org/10.1016/j.energy.2018.11.053
Damski, J. C., & Gero, J. S. (1997). An Evolutionary Approach to Generating Constraint-Based Space Layout

202
 Topologies. In CAAD futures 1997 (Vol. 1, pp. 855–864). Dordrecht: Springer Netherlands.
https://doi.org/10.1007/978-94-011-5576-2_65
Dargan, S., Kumar, M., Ayyagari, M. R., & Kumar, G. (2020). A Survey of Deep Learning and Its Applications: A
New Paradigm to Machine Learning. Archives of Computational Methods in Engineering, 27(4), 1071–1092.
https://doi.org/10.1007/s11831-019-09344-w
Dasgupta, S., Fang, K., Chen, K., & Savarese, S. (2016). DeLay: Robust spatial layout estimation for cluttered indoor
scenes. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition (Vol. 2016-Decem, pp. 616–624). https://doi.org/10.1109/CVPR.2016.73
Davari Majd, R., Momeni, M., & Moallem, P. (2019). Transferable Object-Based Framework Based on Deep
Convolutional Neural Networks for Building Extraction. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, 12(8), 2627–2635. https://doi.org/10.1109/JSTARS.2019.2924582
de Dear, R., & Brager, G. S. (1998). The adaptation in the built environment: a literature review. Energy and
Buildings, 27(1), 83–96. https://doi.org/10.1016/S0378-7788(97)00053-4
De Dear, R. J., & Brager, G. S. (2002). Thermal comfort in naturally ventilated buildings: Revisions to ASHRAE
Standard 55. Energy and Buildings, 34(6), 549–561. https://doi.org/10.1016/S0378-7788(02)00005-1
de las Heras, Lluís-Pere, Ahmed, S., Liwicki, M., Valveny, E., & Sánchez, G. (2014). Statistical segmentation and
structural recognition for floor plan interpretation. International Journal on Document Analysis and
Recognition (IJDAR), 17(3), 221–237. https://doi.org/10.1007/s10032-013-0215-2
de las Heras, Lluis-Pere, Fernandez, D., Valveny, E., Llados, J., & Sanchez, G. (2013). Unsupervised Wall Detector
in Architectural Floor Plans. In 2013 12th International Conference on Document Analysis and Recognition
(pp. 1245–1249). IEEE. https://doi.org/10.1109/ICDAR.2013.252
de Lauwe, P.-H., & de Lauwe, M.-J. C. (1965). A evolução contemporânea da Família: estruturas, funções,
necessidades. Análise Social, 3(12), 475–600. Retrieved from http://www.jstor.org/stable/41008331
de Lucena, A. F. P., Szklo, A. S., Schaeffer, R., de Souza, R. R., Borba, B. S. M. C., da Costa, I. V. L., … da Cunha,
S. H. F. (2009). The vulnerability of renewable energy to climate change in Brazil. Energy Policy, 37(3), 879–
889. https://doi.org/10.1016/j.enpol.2008.10.029
De Wilde, P., & Tian, W. (2011). Towards probabilistic performance metrics for climate change impact studies.
Energy and Buildings, 43(11), 3013–3018. https://doi.org/10.1016/j.enbuild.2011.07.014
Dear, R. De. (2006). Adapting buildings to a changing climate: but what about the occupants? Building Research &
Information, 34(1), 78–81. https://doi.org/10.1080/09613210500336594
Deb, K., Pratap, A., Agarwal, S., & Meyarivan, T. (2002). A fast and elitist multiobjective genetic algorithm: NSGA-
II. IEEE Transactions on Evolutionary Computation, 6(2), 182–197. https://doi.org/10.1109/4235.996017
Delage, E., Honglak Lee, & Ng, A. Y. (n.d.). A Dynamic Bayesian Network Model for Autonomous 3D
Reconstruction from a Single Indoor Image. In 2006 IEEE Computer Society Conference on Computer Vision
and Pattern Recognition - Volume 2 (CVPR’06) (Vol. 2, pp. 2418–2428). IEEE.
https://doi.org/10.1109/CVPR.2006.23
Deng, S., Dong, Q., & Liu, B. (2021). SCSS-Net: Superpoint Constrained Semi-supervised Segmentation Network
for 3D Indoor Scenes. Retrieved from http://arxiv.org/abs/2107.03601
Deng, W., Shi, Q., & Li, J. (2021). Attention-Gate-Based Encoder-Decoder Network for Automatical Building
Extraction. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 14, 2611–
2620. https://doi.org/10.1109/JSTARS.2021.3058097
Di, X., Yu, P., Yang, D., Zhu, H., Sun, C., & Liu, Y. (2020). End-to-end Generative Floor-plan and Layout with
Attributes and Relation Graph, 1–8. Retrieved from http://arxiv.org/abs/2012.08514
Dias, M. Â. (2014). Informal Settlements - A Shape Grammar Approach. Journal of Civil Engineering and
Architecture, 8(11), 1389–1395.
Diffenbaugh, N. S., & Burke, M. (2019). Global warming has increased global economic inequality. Proceedings of
the National Academy of Sciences, 116(20), 9808–9813. https://doi.org/10.1073/PNAS.1816020116
Digiacomo, M. C. (2004). Estratégias de projeto para a habitação social flexível. Universidade Federal de Santa
Catarina.
Dodge, S., Xu, J., & Stenger, B. (2017). Parsing floor plan images. In Proceedings of the 15th IAPR International
Conference on Machine Vision Applications, MVA 2017 (pp. 358–361).
https://doi.org/10.23919/MVA.2017.7986875
Dosch, P., Tombre, K., Ah-Soon, C., & Masini, G. (2000a). A complete system for the analysis of architectural
drawings. International Journal on Document Analysis and Recognition, 3(2), 102–116.
https://doi.org/10.1007/PL00010901

203
Dosch, P., Tombre, K., Ah-Soon, C., & Masini, G. (2000b). A complete system for the analysis of architectural
drawings. International Journal on Document Analysis and Recognition, 3(2), 102–116.
https://doi.org/10.1007/PL00010901
Duarte, J. P. (2001). Customizing Mass Housing: A Discursive Grammar for Siza’s Malagueira Houses.
Massachusetts Institute of Technology. Retrieved from http://hdl.handle.net/1721.1/8189
Duarte, J. P. (2005). Towards the mass customization of housing: The grammar Siza’s houses at Malagueira.
Environment and Planning B: Planning and Design, 32(3), 347–380. https://doi.org/10.1068/b31124
Eastman, C. M. (1975, March). The Use of Computers Instead of Drawings In Building Design. AIA Journal.
Elgammal, A., Liu, B., Elhoseiny, M., & Mazzone, M. (2017). CAN: Creative adversarial networks generating “Art”
by learning about styles and deviating from style norms. ArXiv, (Iccc), 1–22.
Engelmann, F., Kontogianni, T., Schult, J., & Leibe, B. (2019). Know what your neighbors do: 3D semantic
segmentation of point clouds. Lecture Notes in Computer Science (including subseries Lecture Notes in
Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 11131 LNCS). https://doi.org/10.1007/978-3-
030-11015-4_29
Escandón, R., Ascione, F., Bianco, N., Mauro, G. M., Suárez, R., & Sendra, J. J. (2019). Thermal comfort prediction
in a building category: Artificial neural network generation from calibrated models for a social housing stock
in southern Europe. Applied Thermal Engineering, 150(January), 492–505.
https://doi.org/10.1016/j.applthermaleng.2019.01.013
Fabricio, M. M., Ornstein, S. W., & Melhado, S. B. (2010). Conceitos de qualidade no projeto de edifícios. In
Qualidade no projeto de edifícios. RiMa/ANTAC.
Fanger, P. . (1970). Thermal Comfort: analysis and applications in environmental engineering. Denmark: McGraw-
Hill.
Farah, M. (1985). Estado e Habitação no Brasil: o caso dos Institutos da Previdência. Espaço & Debates, (January
1985), 73–81.
Fathalla, R., & Vogiatzis, G. (2017). A deep learning pipeline for semantic facade segmentation. In British Machine
Vision Conference 2017, BMVC 2017 (pp. 1–13). https://doi.org/10.5244/c.31.120
Femiani, J., Para, W. R., Mitra, N., & Wonka, P. (2018). Facade Segmentation in the Wild. Retrieved from
http://arxiv.org/abs/1805.08634
Fernandez-Labrador, C., Facil, J. M., Perez-Yus, A., Demonceaux, C., Civera, J., & Guerrero, J. J. (2019). Corners
for layout: End-to-end layout recovery from 360 images. ArXiv, 5(2), 1255–1262.
Ferro, S. (2004). Nota sobre a usina. Retrieved November 1, 2021, from http://www.usina-
ctah.org.br/notasobreausina.html
Filho, A., Chammas, D., Vilaça, Í., Guerreiro, I., Lazarini, K., & Constante, P. (2015). As vacas têm para onde ir, o
povo do piquiá não: o reassentamento do piquiá de baixo e os caminhos do desenvolvimento brasileiro.
Retrieved November 1, 2021, from http://www.usina-ctah.org.br/reassentamentopiquia.html
Filho, W. L., Balogun, A. L., Olayide, O. E., Azeiteiro, U. M., Ayal, D. Y., Muñoz, P. D. C., … Li, C. (2019).
Assessing the impacts of climate change in cities and their adaptive capacity: Towards transformative
approaches to climate change adaptation and poverty reduction in urban areas in a set of developing countries.
Science of the Total Environment, 692, 1175–1190. https://doi.org/10.1016/j.scitotenv.2019.07.227
Fisher, M., Ritchie, D., Savva, M., Funkhouser, T., & Hanrahan, P. (2012). Example-based synthesis of 3D object
arrangements. ACM Transactions on Graphics, 31(6). https://doi.org/10.1145/2366145.2366154
Fisher, M., Savva, M., Li, Y., Hanrahan, P., & Nießner, M. (2015). Activity-centric scene synthesis for functional 3D
scene modeling. ACM Transactions on Graphics, 34(6). https://doi.org/10.1145/2816795.2818057
Fletcher, L. A., & Kasturi, R. (1988). A Robust Algorithm for Text String Separation from Mixed Text/Graphics
Images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 10(6), 910–918.
https://doi.org/10.1109/34.9112
Folz, R. R. (2002). Mobiliário na habitação popular. Universidade de São Paulo.
Folz, R. R. (2008). Projeto tecnológico para produção de habitação mínima e seu mobiliário. Universidade de São
Paulo.
Folz, R. R., & Martucci, R. (2007). HABITAÇÃO MÍNIMA : DISCUSSÃO DO PADRÃO DE ÁREA MÍNIMA
APLICADO EM UNIDADES HABITACIONAIS DE INTERESSE SOCIAL. Revista Tópos, 1(1), 23–40.
Retrieved from https://revista.fct.unesp.br/index.php/topos/article/view/2187
Fond, A., Berger, M.-O., & Simon, G. (2017). Facade Proposals for Urban Augmented Reality. In 2017 IEEE
International Symposium on Mixed and Augmented Reality (ISMAR) (Vol. 1, pp. 32–41). IEEE.

204
 https://doi.org/10.1109/ISMAR.2017.20
Fond, A., Berger, M.-O., & Simon, G. (2021). Model-image registration of a building’s facade based on dense
semantic segmentation. Computer Vision and Image Understanding, 206, 103185.
https://doi.org/10.1016/j.cviu.2021.103185
Fonseca, C. M., & Fleming, P. J. (1993). Genetic Algorithms for Multiobjective Optimization:
FormulationDiscussion and Generalization. In ICGA.
Fontenele, F. (2021). Imagem aérea do Bairro Pirambu e Vila do Mar durante a quarentena provocada pelo pandemia
do corona vírus. Retrieved July 19, 2022, from
https://www.opovo.com.br/noticias/fortaleza/2021/09/06/faccionado-preso-e-suspeito-de-exigir-taxas-de-
empresas-de-internet-no-pirambu.html
Fortaleza. (2006). Plano Diretor Participativo de Fortaleza. Fortaleza.
Fortaleza. (2020). Índice de Vulnerabilidade às Mudanças Climáticas e Plano de Adaptação: cidade de Fortaleza,
Estado do Ceará. Fortaleza. Retrieved from https://urbanismoemeioambiente.fortaleza.ce.gov.br/urbanismo-e-
meio-ambiente/573-estudo-de-vulnerabilidade-as-mudancas-climaticas-e-o-plano-de-adaptacao-de-fortaleza
Friedman, Y. (1973). Hacia Una Arquitectura Científica. Alianza.
Fukushima, K. (1980). Neocognitron: A self-organizing neural network model for a mechanism of pattern recognition
unaffected by shift in position. Biological Cybernetics, 36(4), 193–202. https://doi.org/10.1007/BF00344251
Fundação João Pinheiro. (2012). DÉFICIT HABITACIONAL NO BRASIL 2009. Belo Horizonte. Retrieved from
http://www.bibliotecadigital.mg.gov.br/consulta/consultaDetalheDocumento.php?iCodDocumento=76700
Gagne, J., & Andersen, M. (2012). A generative facade design method based on daylighting performance goals.
Journal of Building Performance Simulation, 5(3), 141–154. https://doi.org/10.1080/19401493.2010.549572
García Kerdan, I., & Morillón Gálvez, D. (2020). Artificial neural network structure optimisation for accurately
prediction of exergy, comfort and life cycle cost performance of a low energy building. Applied Energy,
280(October). https://doi.org/10.1016/j.apenergy.2020.115862
Garey, M. R., & Johnson, D. S. (1990). Computers and intractability: a guide to the theory of NP-completeness. W.
H. Freeman & Co. Retrieved from https://dl.acm.org/doi/book/10.5555/574848
Gero, J. S., & Kazakov, V. A. (1997). Learning and re-using information in space layout planning problems using
genetic engineering. Artificial Intelligence in Engineering, 11(3), 329–334. https://doi.org/10.1016/S0954-
1810(96)00051-9
Gero, J. S., & Kazakov, V. A. (1998a). Evolving design genes in space layout planning problems. Artificial
Intelligence in Engineering, 12(3), 163–176. https://doi.org/10.1016/S0954-1810(97)00022-8
Gero, J. S., & Kazakov, V. A. (1998b). Evolving design genes in space layout planning problems. Artificial
Intelligence in Engineering, 12(3), 163–176. https://doi.org/https://doi.org/10.1016/S0954-1810(97)00022-8
Girshick, R. (2015). Fast R-CNN. Proceedings of the IEEE International Conference on Computer Vision, 2015
Inter, 1440–1448. https://doi.org/10.1109/ICCV.2015.169
Girshick, R., Donahue, J., Darrell, T., & Malik, J. (2014). Rich feature hierarchies for accurate object detection and
semantic segmentation. Proceedings of the IEEE Computer Society Conference on Computer Vision and
Pattern Recognition, 580–587. https://doi.org/10.1109/CVPR.2014.81
Givoni, B. (1992). Comfort , climate analysis and building design guidelines. Energy and Buildings, 18, 11–23.
https://doi.org/10.1016/0378-7788(92)90047-k
Glover, F. (1986). Future paths for integer programming and links to artificial intelligence. Computers & Operations
Research, 13(5), 533–549. https://doi.org/https://doi.org/10.1016/0305-0548(86)90048-1
Goel, A., Juneja, M., & Jawahar, C. V. (2012). Are buildings only instances? Exploration in architectural style
categories. ACM International Conference Proceeding Series. https://doi.org/10.1145/2425333.2425334
Gomes, J., & Velho, L. (1997). Image Processing for Computer Graphics. New York, NY: Springer New York.
https://doi.org/10.1007/978-1-4757-2745-6
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press. Retrieved from
http://www.deeplearningbook.org/
Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., … Bengio, Y. (2014). Generative
adversarial nets. Advances in Neural Information Processing Systems, 3(January), 2672–2680.
Gou, S., Nik, V. M., Scartezzini, J. L., Zhao, Q., & Li, Z. (2018). Passive design optimization of newly-built
residential buildings in Shanghai for improving indoor thermal comfort while reducing building energy
demand. Energy and Buildings, 169, 484–506. https://doi.org/10.1016/j.enbuild.2017.09.095

205
Goulart, S. V. G., Lamberts, R., & Firmino, S. (1998). Dados Climáticos para Projeto e Avaliação Energética de
Edificações para 14 Cidades Brasileiras. Florianópolis: Núcleo de Pesquisa em Construção/UFSC.
Grason, J. (1970). Methods for the Computer-Implemented Solution of a Class of “Floor Plan” Design Problems.
Carnegie-Mellon University Pittsburgh.
Griffiths, D., & Boehm, J. (2019). Improving public data for building segmentation from Convolutional Neural
Networks (CNNs) for fused airborne lidar and image data using active contours. ISPRS Journal of
Photogrammetry and Remote Sensing, 154(May), 70–83. https://doi.org/10.1016/j.isprsjprs.2019.05.013
Groak, S. (2002). The Idea of Building: Thought and Action in the Design and Production of Buildings. Taylor &
Francis.
Guan, L. (2009). Preparation of future weather data to study the impact of climate change on buildings. Building and
Environment, 44(4), 793–800. https://doi.org/10.1016/j.buildenv.2008.05.021
Guo, Y., Liu, Y., Oerlemans, A., Lao, S., Wu, S., & Lew, M. S. (2016). Deep learning for visual understanding: A
review. Neurocomputing, 187, 27–48. https://doi.org/10.1016/j.neucom.2015.09.116
Habraken, N. J. (1999). Supports: An Alternative to Mass Housing (2nd ed.). Urban International Press.
Hang, R., Li, Z., Liu, Q., Ghamisi, P., & Bhattacharyya, S. S. (2021). Hyperspectral Image Classification with
Attention-Aided CNNs. IEEE Transactions on Geoscience and Remote Sensing, 59(3), 2281–2293.
https://doi.org/10.1109/TGRS.2020.3007921
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE
Computer Society Conference on Computer Vision and Pattern Recognition, 2016-Decem, 770–778.
https://doi.org/10.1109/CVPR.2016.90
Hedau, V., Hoiem, D., & Forsyth, D. (2009). Recovering the spatial layout of cluttered rooms. In 2009 IEEE 12th
International Conference on Computer Vision (pp. 1849–1856). IEEE.
https://doi.org/10.1109/ICCV.2009.5459411
Hensel, S., Goebbels, S., & Kada, M. (2019). Facade Reconstruction for Textured LOD2 Citygml Models Based on
Deep Learning and Mixed Integer Linear Programming. In ISPRS Annals of the Photogrammetry, Remote
Sensing and Spatial Information Sciences (Vol. 4, pp. 37–44). https://doi.org/10.5194/isprs-annals-IV-2-W5-
37-2019
Hertzberger, H. (2015). Lições de arquitetura. Martins Fontes.
Hillier, B., & Hanson, J. (1984). The social logic of space. New York: Cambridge University Press.
https://doi.org/10.1017/cbo9780511597237
Hillier, B., Hanson, J., & Graham, H. (1987). Ideas are in things: an application of the space syntax method to
discovering house genotypes. Environment & Planning B: Planning & Design, 14(4), 363–385.
https://doi.org/10.1068/b140363
Hoeser, T., & Kuenzer, C. (2020). Object detection and image segmentation with deep learning on Earth observation
data: A review-part I: Evolution and recent trends. Remote Sensing, 12(10).
https://doi.org/10.3390/rs12101667
Holland, J. H. (1992). Adaptation in Natural and Artifiitial systems: an introductory analysis with applications to
biology, control, and artificial intelligence (1st ed.). Cambridge: MIT Press.
Horn, J., & Nafpliotis, N. (1993). Multiobjective Optimization Using The Niched Pareto Genetic Algorithm. IlliGAL
Report No. 93005, 82–87. Retrieved from
http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.51.8761&rep=rep1&type=pdf
Hosseinpoor, H., & Samadzadegan, F. (2020). Convolutional Neural Network for Building Extraction from High-
Resolution Remote Sensing Images. In 2020 International Conference on Machine Vision and Image
Processing (MVIP) (Vol. 2020-Janua, pp. 1–5). IEEE. https://doi.org/10.1109/MVIP49855.2020.9187483
Hu, R., Huang, Z., Tang, Y., Van Kaick, O., Zhang, H., & Huang, H. (2020). Graph2Plan: Learning Floorplan
Generation from Layout Graphs. ACM Transactions on Graphics, 39(4), 1–14.
https://doi.org/10.1145/3386569.3392391
Hubel, D. H., & Wiesel, T. N. (1962). Receptive fields, binocular interaction and functional architecture in the cat’s
visual cortex. The Journal of Physiology, 160(1), 106–154. https://doi.org/10.1113/jphysiol.1962.sp006837
INMET. (2020). Banco de Dados Meteorológicos. Retrieved November 9, 2021, from https://bdmep.inmet.gov.br/
Inoue, M., & Takagi, H. (2008). Layout algorithm for an EC-based room layout planning support system. In
SMCia/08 - Proceedings of the 2008 IEEE Conference on Soft Computing on Industrial Applications (pp. 165–
170). Muroran. https://doi.org/10.1109/SMCIA.2008.5045954
Invidiata, A., & Ghisi, E. (2016). Impact of climate change on heating and cooling energy demand in houses in

206
 Brazil. Energy & Buildings, 130, 20–32. https://doi.org/10.1016/j.enbuild.2016.07.067
IPCC. (2014). Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth
Assessment Report of the Intergovernmental Panel on Climate Change. Geneva. Retrieved from http://ar5-
syr.ipcc.ch/
ISO 7730. (2005). Ergonomics of the thermal environment — Analytical determination and interpretation of thermal
comfort using calculation of the PMV and PPD indices and local thermal comfort criteria (Vol. 2005).
Geneva.
Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017a). Image-to-image translation with conditional adversarial
networks. In Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017
(Vol. 2017-Janua, pp. 5967–5976). https://doi.org/10.1109/CVPR.2017.632
Isola, P., Zhu, J. Y., Zhou, T., & Efros, A. A. (2017b). Image-to-image translation with conditional adversarial
networks. In Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2017
(Vol. 2017-Janua, pp. 5967–5976). https://doi.org/10.1109/CVPR.2017.632
Izadinia, H., Shan, Q., & Seitz, S. M. (2017). IM2CAD. In 2017 IEEE Conference on Computer Vision and Pattern
Recognition (CVPR) (pp. 2422–2431). IEEE. https://doi.org/10.1109/CVPR.2017.260
Jagielski, R., & Gero, J. S. (1997). A Genetic Programming Approach to the Space Layout Planning Problem. In
CAAD futures 1997 (pp. 875–884). Dordrecht: Springer Netherlands. https://doi.org/10.1007/978-94-011-
5576-2_67
Jang, H., Yang, J. H., & Kiyun, Y. (2018). Automatic wall detection and building topology and property of 2D floor
plan. In Leibniz International Proceedings in Informatics, LIPIcs (Vol. 114, pp. 2–6).
https://doi.org/10.4230/LIPIcs.GIScience.2018.33
Jentsch, M. F., Bahaj, A. S., & James, P. A. B. (2008). Climate change future proofing of buildings — Generation
and assessment of building simulation weather files. Energy and Buildings, 40, 2148–2168.
https://doi.org/10.1016/j.enbuild.2008.06.005
Jentsch, M. F., James, P. A. B., Bourikas, L., & Bahaj, A. B. S. (2013). Transforming existing weather data for
worldwide locations to enable energy and building performance simulation under future climates. Renewable
Energy, 55, 514–524. https://doi.org/10.1016/j.renene.2012.12.049
Jeong, J., Jo, J., Wang, J., Cho, S., & Park, J. (2021). Realistic Image Synthesis with Configurable 3D Scene Layouts.
Retrieved from http://arxiv.org/abs/2108.10031
Jo, J. H., & Gero, J. S. (1998). Space layout planning using an evolutionary approach. Artificial Intelligence in
Engineering, 12(3), 149–162. https://doi.org/10.1016/S0954-1810(97)00037-X
Juran, J. M., Gryna, F. M., Godfrey, A. B., Schilling, E. G., Hoogstoel, R. E., & Joseph, J. (1999). Juran’s Quality
Handbook. McGraw Hill.
Kado, K. (1995). An Investigation of Genetic Algorithms for Facility Layout Problems. University of Edinburg.
Kalervo, A., Ylioinas, J., Häikiö, M., Karhu, A., & Kannala, J. (2019). CubiCasa5K: A Dataset and an Improved
Multi-task Model for Floorplan Image Analysis. In Lecture Notes in Computer Science (including subseries
Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics) (Vol. 11482 LNCS, pp. 28–40).
https://doi.org/10.1007/978-3-030-20205-7_3
Kalervo, A., Ylioinas, J., Markus Häikiö, Karhu, A., Kannala, J., & 1. (2019). CubiCasa5K: A Dataset and an
Improved Multi-task Model for Floorplan Image Analysis (Vol. 1, pp. 427–438). https://doi.org/10.1007/978-
3-030-20205-7
Kang, Z., Yang, J., Yang, Z., & Cheng, S. (2020). A review of techniques for 3D reconstruction of indoor
environments. ISPRS International Journal of Geo-Information, 9(5). https://doi.org/10.3390/ijgi9050330
Kaplan, A., & Haenlein, M. (2019). Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations,
illustrations, and implications of artificial intelligence. Business Horizons, 62(1), 15–25.
https://doi.org/10.1016/j.bushor.2018.08.004
Karimpour, M., Belusko, M., Xing, K., Boland, J., & Bruno, F. (2015). Impact of climate change on the design of
energy efficient residential building envelopes. Energy & Buildings, 87, 142–154.
https://doi.org/10.1016/j.enbuild.2014.10.064
Karl, T. R., & Trenberth, K. E. (2003). Modern Global Climate Change. Science, 302(5651), 1719–1723.
https://doi.org/10.1126/science.1090228
Khade, R., Jariwala, K., Chattopadhyay, C., & Pal, U. (2021). A rotation and scale invariant approach for multi-
oriented floor plan image retrieval. Pattern Recognition Letters, 145, 1–7.
https://doi.org/10.1016/j.patrec.2021.01.020
Khan, S., Rahmani, H., Shah, S. A. A., & Bennamoun, M. (2018). A Guide to Convolutional Neural Networks for

207
 Computer Vision. Synthesis Lectures on Computer Vision, 8(1), 1–207.
https://doi.org/10.2200/s00822ed1v01y201712cov015
Kheiri, F. (2018). A review on optimization methods applied in energy-e ffi cient building geometry and envelope
design. Renewable and Sustainable Energy Reviews, 92(April), 897–920.
https://doi.org/https://doi.org/10.1068%2Fb080295
Kim, Hanjun, Moon, J., & Lee, B. (2019). RGB-to-TSDF: Direct TSDF Prediction from a Single RGB Image for
Dense 3D Reconstruction. IEEE International Conference on Intelligent Robots and Systems, 6714–6720.
https://doi.org/10.1109/IROS40897.2019.8968566
Kim, Hyunjung. (2021). Evaluation of deep learning-based automatic floor plan analysis technology: An ahp-based
assessment. Applied Sciences (Switzerland), 11(11). https://doi.org/10.3390/app11114727
Klein, A. (1980). Ensayo de un método gráfico para la valoración de plantas de pequeñas viviendas. In Vivienda
Mínima: 1906-1957 (p. p.125-130). Barcelona: Gustavo Gili.
Knecht, K., & Koenig, R. (2010). Generating Floor Plan Layouts with K-d Trees and Evolutionary Algorithms.
GA2010 - 13th Generative Art Conference, (January 2010).
Koch, D., Despotovic, M., Leiber, S., Sakeena, M., Döller, M., & Zeppelzauer, M. (2019a). Real Estate Image
Analysis: A Literature Review. Journal of Real Estate Literature, 27(2), 271–300.
https://doi.org/10.22300/0927-7544.27.2.269
Koch, D., Despotovic, M., Leiber, S., Sakeena, M., Döller, M., & Zeppelzauer, M. (2019b). Real Estate Image
Analysis: A Literature Review. Journal of Real Estate Literature, 27(2), 271–300.
https://doi.org/10.22300/0927-7544.27.2.269
Kowaltovski, D. C. C. K., Celani, M. G. C., Moreira, D. de C., Pina, S. A. M. G., Ruschel, R. C., da Silva, V. G., …
Petreche, J. R. D. (2006). Reflexão Sobre Metodologias de Projeto Arquitetônico. Ambiente Construído, 6(11),
7–19.
Kowaltowski, D. C. C. K., Atália, E., Muianga, D., Denis, A., Moreira, D. D. C., Bernardini, S. P., … A, M. R. C.
(2019). A critical analysis of research of a mass-housing programme A critical analysis of research of a mass-
housing programme. Building Research & Information, 47(6), 716–733.
https://doi.org/10.1080/09613218.2018.1458551
Kowaltowski, D. C. C. K., Muianga, E. A. D., Granja, A. D., Moreira, D. de C., Bernardini, S. P., & Castro, M. R.
(2019). A critical analysis of research of a mass-housing programme. Building Research & Information, 47(6),
716–733. https://doi.org/10.1080/09613218.2018.1458551
Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2017). ImageNet classification with deep convolutional neural
networks. Communications of the ACM, 60(6), 84–90. https://doi.org/10.1145/3065386
LabEEE. (2020). Arquivos Climáticos. Retrieved from https://labeee.ufsc.br/downloads/arquivos-climaticos
LaGro, J. A. (2007). Site analysis : a contextual approach to sustainable land planning and site design. (John Wiley
& Sons, Ed.) (2nd Editio). New Jersey.
Lamberts, R. (2011). Centro Tecnológico - Departamento De Engenharia Civil Conforto E Stress Térmico. Retrieved
from www.labeee.ufsc.br
Lamberts, R. (2016). Desempenho térmico de edificações. Florianópolis.
Larcher, V. M. (2005). Diretrizes visando a melhoria de projetos e soluções. Universidade Federal do Paraná.
Retrieved from https://acervodigital.ufpr.br/handle/1884/3514
Lecun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
https://doi.org/10.1038/nature14539
Lecun, Y., Bottou, L., Bengio, Y., & Ha, P. (1998). LeNet. Proceedings of the IEEE, (November), 1–46.
Lee, C. Y., Badrinarayanan, V., Malisiewicz, T., & Rabinovich, A. (2017). RoomNet: End-to-End Room Layout
Estimation. In Proceedings of the IEEE International Conference on Computer Vision (Vol. 2017-Octob, pp.
4875–4884). https://doi.org/10.1109/ICCV.2017.521
Lee, J., & Funkhouser, T. (2008). Sketch-based search and composition of 3D models. Proceedings of the Fifth
Eurographics Conference on Sketch-Based Interfaces and Modeling, 97–104.
https://doi.org/10.2312/SBM/SBM08/097-104
Levin, P. H. (1964). Use of graphs to decide the optimum layout of buildings. Architects’ Journal, 140, 809–815.
Li, C. K., Zhang, H. X., Liu, J. X., Zhang, Y. Q., Zou, S. C., & Fang, Y. T. (2020). Window Detection in Facades
Using Heatmap Fusion. Journal of Computer Science and Technology, 35(4), 900–912.
https://doi.org/10.1007/s11390-020-0253-4
Li, M., Patil, A. G., Xu, K., Chaudhuri, S., Khan, O., Shamir, A., … Zhang, H. (2019). Grains: Generative recursive

208
 autoencoders for indoor scenes. ACM Transactions on Graphics, 38(2). https://doi.org/10.1145/3303766
Li, W., He, C., Fang, J., Zheng, J., Fu, H., & Yu, L. (2019). Semantic segmentation-based building footprint
extraction using very high-resolution satellite images and multi-source GIS data. Remote Sensing, 11(4).
https://doi.org/10.3390/rs11040403
Li, Yabei, Zhang, J., Cheng, Y., Huang, K., & Tan, T. (2018). Df 2 Net: A discriminative feature learning and fusion
network for RgB-D indoor scene classification. 32nd AAAI Conference on Artificial Intelligence, AAAI 2018,
7041–7048.
Li, Yan, Chen, Y., Rajabifard, A., Khoshelham, K., & Aleksandrov, M. (2018). Estimating building age from google
street view images using deep learning. In Leibniz International Proceedings in Informatics, LIPIcs (Vol. 114,
pp. 1–7). https://doi.org/10.4230/LIPIcs.GIScience.2018.40
Lima, B. A. A. de, & Zanirato, S. H. (2019). Habitação social e mudanças climáticas em São Paulo: potencialidades e
limites da reabilitação de edifícios vazios no centro como medida de adaptação e mitigação. In: ENCONTRO
NACIONAL DA ASSOCIAÇÃO NACIONAL DE PÓS-GRADUAÇÃO E PESQUISA EM PLANEJAMENTO
URBANO E REGIONAL, 18, 2019, Natal. Retrieved from
http://anpur.org.br/xviiienanpur/anaisadmin/capapdf.php?reqid=1312
Lin, G., Milan, A., Shen, C., & Reid, I. (2017). RefineNet: Multi-path refinement networks for high-resolution
semantic segmentation. Proceedings - 30th IEEE Conference on Computer Vision and Pattern Recognition,
CVPR 2017, 2017-Janua, 5168–5177. https://doi.org/10.1109/CVPR.2017.549
Lin, Z., & Deng, S. (2008). A study on the thermal comfort in sleeping environments in the subtropics-Developing a
thermal comfort model for sleeping environments. Building and Environment, 43(1), 70–81.
https://doi.org/10.1016/j.buildenv.2006.11.026
Lippoldt, F. (2019). Window Detection in Facades for Aerial Texture Files of 3D CityGML Models. Proceedings of
the IEEE Conference on Computer Vision and Pattern Recognition Workshops. Retrieved from
https://openaccess.thecvf.com/content_CVPRW_2019/papers/DOAI/Lippoldt_Window_Detection_in_Facades
_for_Aerial_Texture_Files_of_3D_CVPRW_2019_paper.pdf
Liu, C., Wu, J., Kohli, P., & Furukawa, Y. (2017). Raster-to-Vector: Revisiting Floorplan Transformation. In
Proceedings of the IEEE International Conference on Computer Vision (Vol. 2017-Octob, pp. 2214–2222).
https://doi.org/10.1109/ICCV.2017.241
Liu, H., Xu, Y., Zhang, J., Zhu, J., Li, Y., & Hoi, S. C. H. (2020). DeepFacade: A Deep Learning Approach to Facade
Parsing With Symmetric Loss. In IEEE Transactions on Multimedia (Vol. 22, pp. 3153–3165).
https://doi.org/10.1109/TMM.2020.2971431
Liu, H., Zhang, J., Zhu, J., & Hoi, S. C. H. (2017). Deepfacade: A deep learning approach to facade parsing. In IJCAI
International Joint Conference on Artificial Intelligence (pp. 2301–2307).
Liu, P., Liu, X., Liu, M., Shi, Q., Yang, J., Xu, X., & Zhang, Y. (2019). Building footprint extraction from high-
resolution images via spatial residual inception convolutional neural network. Remote Sensing, 11(7).
https://doi.org/10.3390/rs11070830
Liu, T., Hertzmann, A., Li, W., & Funkhouser, T. (2015). Style compatibility for 3D furniture models. ACM
Transactions on Graphics, 34(4). https://doi.org/10.1145/2766898
Liu, X., Li, H., Meng, W., Xiang, S., & Zhang, X. (2017). 3D Point Cloud Classification Based on Discrete
Conditional Random Field (Vol. 3, pp. 115–137). https://doi.org/10.1007/978-3-319-65849-0_14
Liu, Y., Zhou, J., Qi, W., Li, X., Gross, L., Shao, Q., … Li, Z. (2020). ARC-Net: An Efficient Network for Building
Extraction from High-Resolution Aerial Images. IEEE Access, 8, 154997–155010.
https://doi.org/10.1109/ACCESS.2020.3015701
Lo, T. T., Schnabel, M. A., & Gao, Y. (2015). ModRule: A user-centric mass housing design platform.
Communications in Computer and Information Science, 527, 236–254. https://doi.org/10.1007/978-3-662-
47386-3_13
Logsdon, L. (2019). Qualidade habitacional: instrumental de apoio ao projeto de moradias sociais. Universidade de
São Paulo, São Carlos. https://doi.org/10.11606/T.102.2019.tde-25112019-091019
Long, J., Shelhamer, E., & Darrell, T. (2017). Fully Convolutional Networks for Semantic Segmentation. IEEE
Transactions on Pattern Analysis and Machine Intelligence, 39(4), 640–651.
https://doi.org/10.1109/TPAMI.2016.2572683
Lopes, J. M. de A., & Shimbo, L. Z. (2015). Projeto e produção da habitação na região central do estado de São
Paulo: condições e contradições do PMCMV. In Minha casa... e a cidade? avaliação do programa minha casa
minha vida em seis estados brasileiros. Rio de Janeiro: Letra Capital.
Lotte, R. G., Haala, N., Karpina, M., de Aragão, L. E. O. e. C., & Shimabukuro, Y. E. (2018). 3D façade labeling
over complex scenarios: A case study using convolutional neural network and structure-from-motion. Remote

209
 Sensing, 10(9). https://doi.org/10.3390/rs10091435
Lucic, M., Kurach, K., Michalski, M., Bousquet, O., & Gelly, S. (2018). Are Gans created equal? A large-scale study.
Advances in Neural Information Processing Systems, 2018-Decem(Nips), 700–709.
Ludovico, S. S. de A., & Brandão, D. Q. (2018). Caracterização da identidade morfológica do espaço arquitetônico
de uma habitação evolutiva, 13(1), 39–58. https://doi.org/http://dx.doi.org/10.11606/gtp.v13i1.114463
CARACTERIZAÇÃO
Ma, L., Liu, Y., Zhang, X., Ye, Y., Yin, G., & Johnson, B. A. (2019). Deep learning in remote sensing applications:
A meta-analysis and review. ISPRS Journal of Photogrammetry and Remote Sensing, 152(April), 166–177.
https://doi.org/10.1016/j.isprsjprs.2019.04.015
Ma, R., Li, H., Zou, C., Liao, Z., Tong, X., & Zhang, H. (2016). Action-driven 3D indoor scene evolution. ACM
Transactions on Graphics, 35(6), 1–13. https://doi.org/10.1145/2980179.2980223
Ma, W., Ma, W., Xu, S., & Zha, H. (2020). Pyramid ALKNet for Semantic Parsing of Building Facade Image. IEEE
Geoscience and Remote Sensing Letters, 1–5. https://doi.org/10.1109/lgrs.2020.2993451
Ma, W., Xu, S., Ma, W., & Zha, H. (2020). Multiview Feature Aggregation for Facade Parsing. IEEE Geoscience and
Remote Sensing Letters, 1–5. https://doi.org/10.1109/lgrs.2020.3035721
Macé, S., Locteau, H., Valveny, E., & Tabbone, S. (2010). A system to detect rooms in architectural floor plan
images. In Proceedings of the 8th IAPR International Workshop on Document Analysis Systems - DAS ’10 (pp.
167–174). New York, New York, USA: ACM Press. https://doi.org/10.1145/1815330.1815352
Maricato, E. (1987). Politica habitacional no regime militar: do milagre brasileiro a crise economica. Petropolis:
Vozes.
Maricato, E. (2010). O Estatuto da cidade periférica. In O estatuto da cidade comentado (pp. 5–22). São Paulo.
Retrieved from https://secid.ma.gov.br/files/2014/09/Estatuto-da-Cidade-comentado.pdf
Marmanis, D., Schindler, K., Wegner, J. D., Galliani, S., Datcu, M., & Stilla, U. (2018). Classification with an edge:
Improving semantic image segmentation with boundary detection. ISPRS Journal of Photogrammetry and
Remote Sensing, 135, 158–172. https://doi.org/10.1016/j.isprsjprs.2017.11.009
Marroquim, F. M. G., & Barbirato, G. M. (2007). Flexibilidade espacial em projetos de habitações de interesse
social.
Martino, J. A. de. (2015). Algoritmos evolutivos como método para desenvolvimento de projetos de arquitetura.
Universidade de Campinas. Retrieved from http://repositorio.unicamp.br/jspui/handle/REPOSIP/258033
Martinovic, A., Knopp, J., Riemenschneider, H., & Van Gool, L. (2015). 3D all the way: Semantic segmentation of
urban scenes from start to end in 3D. In 2015 IEEE Conference on Computer Vision and Pattern Recognition
(CVPR) (pp. 4456–4465). IEEE. https://doi.org/10.1109/CVPR.2015.7299075
Martins, D. das N. (1999). Metodologia para determinar e avaliar a qualidade e o custo da solução geométrica do
projeto arquitetônico de apartamentos. Universidade Federal de Santa Catarina. Retrieved from
http://repositorio.ufsc.br/xmlui/handle/123456789/81094
Martins, M. S., Romanini, A., Mussi, A. Q., & Folle, D. (2013). Projeto de habitações flexíveis de interesse social.
Oculum Ensaios, 10(2), 301. https://doi.org/10.24220/2318-0919v10n2a2148
Mascaro, J. L. (1985). O Custo das decisões arquitetônicas. Nobel.
Máximo, F. R. C. C. (2012). Moradia, arquitetura e cidade: mudanças e permanências na produção da habitação
social no espaço urbano metropolitano de Fortaleza. Universidade de São Paulo.
Maxwell, A. E., Warner, T. A., & Guillén, L. A. (2021). Accuracy assessment in convolutional neural network-based
deep learning remote sensing studies—part 1: Literature review. Remote Sensing, 13(13).
https://doi.org/10.3390/rs13132450
Mayer, R. (2012). A Gramática Da Habitação Mínima: Análise do Projeto da Habitação de Interesse Social em
Porto Alegre e Região Metropolitana. Universidade Federal do Rio Grande do Sul.
McMillan, L., & Gortler, S. (1999). Image-based rendering. ACM SIGGRAPH Computer Graphics, 33(4), 61–64.
https://doi.org/10.1145/345370.345415
Melhado, S. B. (1994). Qualidade de projeto na construção de edifícios: aplicação ao caso das empresas de
incorporação e construção. Universidade de São Paulo.
Mendes, L. T. (2014). Personalização de Habitação de Interesse Social no Brasil: o caso da implantação urbana em
conjuntos habitacionais. Universidade Estadual de Campinas. Retrieved from
http://repositorio.unicamp.br/jspui/handle/REPOSIP/258031?mode=full
Michalek, J. J. (2001). Interactive Layout Design Optimization. University of Michigan.

210
Milosavljević, A. (2020). Automated processing of remote sensing imagery using deep semantic segmentation: a
building footprint extraction case. ISPRS International Journal of Geo-Information, 9(8).
https://doi.org/10.3390/ijgi9080486
Minaee, S., Boykov, Y., Porikli, F., Plaza, A., Kehtarnavaz, N., & Terzopoulos, D. (2020). Image Segmentation
Using Deep Learning: A Survey, 1–23. Retrieved from http://arxiv.org/abs/2001.05566
Ministério das Cidades. (2016). Programa Minha Casa, Minha Vida - Especificações Técnicas. Retrieved August 20,
2006, from www.cidades.gov.br/habitacao-cidades/programa-minha-casa-minha-vida-pmcmv/especificacoes-
tecnicas
Ministério do Meio Ambiente. (1992). Agenda 21. Retrieved from http://www.mma.gov.br/responsabilidade-
socioambiental/agenda-21
Mitchell, M. (1998). An Introduction to Genetic Algorithms (1st ed.). Cambridge: MIT Press.
MOM. (2004). Teoria dos suportes. Retrieved March 18, 2022, from
http://www.mom.arq.ufmg.br/mom/03_ob/suportes.htm
MOM. (2019). Arquitetura e participação: a caminho da produção de interfaces e não de espaços acabados. Retrieved
November 1, 2021, from http://www.mom.arq.ufmg.br/mom/10_arquitetos/quadro.htm
Moreira, V. L. B., & Pina, S. M. G. (2012). Mais do mesmo? A trajetória da habitação social no Brasil. Paranoá:
Cadernos de Arquitetura e Urbanismo, (6). https://doi.org/10.18830/issn.1679-0944.n6.2012.12278
Moreno, A. C. R. (2013). Minha Casa Minha Vida: análise de desempenho térmico pela NBR 15.220, 15.575, Selo
Azul da Caixa e RTQ-R. Universidade Federal de Minas Gerais.
Moreno, A. C. R., Morais, I. S. de, & Souza, R. V. G. de. (2017). Thermal performance of social housing – A study
based on brazilian regulations. Energy Procedia, 111(September 2016), 111–120.
https://doi.org/10.1016/j.egypro.2017.03.013
Morishita, C. (2011). Impacto do regulamento para eficiência energética em edificações no consumo de energia
elétrica do setor residencial brasileiro. Universidade Federal de Santa Catarina.
Mororó, M. S. de M. (2012). Habitação progressiva autoconstruída: caracterização morfológica com uso da
gramática da forma. Universidade Federal do Ceará.
Mororó, M. S. de M. (2015). Habitação progressiva autoconstruída: Caracterização morfológica com uso da
gramática da forma. Arquiteturarevista, 11(2), 76–92. https://doi.org/10.4013/arq.2015.112.03
Mosella-Montoro, A., & Ruiz-Hidalgo, J. (2021). 2D–3D Geometric Fusion network using Multi-Neighbourhood
Graph Convolution for RGB-D indoor scene classification. Information Fusion, 76, 46–54.
https://doi.org/10.1016/j.inffus.2021.05.002
Murphy, K. P. (2012). Machine Learning: a probabilistic perspective. Cambridge: Mit Press.
Mussi, A. (2011). Projeto de HIS Evolutiva: Gramática da Forma para Ampliação da Unidade Habitacional Mínima,
60–70. https://doi.org/10.4237/sbqp.11.353
Mussi, A. (2014). Os Padrões de Ampliação Espontânea de Habitações de Interesse Social em Porto Alegre , RS , e
Região Metropolitana : Uma Proposta de Aplicação da Gramática da Forma e Sintaxe Espacial. Universidade
Federal do Rio Grande do Sul. Retrieved from http://hdl.handle.net/10183/108989
Nascimento, D. M., Costa, H. S. de M., Mendonça, J. G. de, Lopes, M. S. B., Lamounier, R. da F., Salomão, T. M.
N., & Soares, A. C. B. (2015). Programa Minha Casa Minha Vida: desafios e avanços na Região Metropolitana
de Belo Horizonte. In Minha Casa... E a Cidade? Avaliação do Programa Minha Casa Minha Vida em seis
estados Brasileiros. Rio de Janeiro: Letra Capital.
Naseer, M., Khan, S., & Porikli, F. (2019). Indoor Scene Understanding in 2.5/3D for Autonomous Agents: A
Survey. IEEE Access, 7, 1859–1887. https://doi.org/10.1109/ACCESS.2018.2886133
Nauata, N., Chang, K.-H., Cheng, C.-Y., Mori, G., & Furukawa, Y. (2020a). House-GAN: Relational Generative
Adversarial Networks for Graph-Constrained House Layout Generation (pp. 162–177).
https://doi.org/10.1007/978-3-030-58452-8_10
Nauata, N., Chang, K. H., Cheng, C. Y., Mori, G., & Furukawa, Y. (2020b). House-GAN: Relational generative
adversarial networks for graph-constrained house layout generation. ArXiv. https://doi.org/10.1007/978-3-030-
58452-8_10
Nayef, N., & Breuel, T. M. (2013). On the Use of Geometric Matching for Both: Isolated Symbol Recognition and
Symbol Spotting. In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial
Intelligence and Lecture Notes in Bioinformatics) (Vol. 7423 LNCS, pp. 36–48). https://doi.org/10.1007/978-
3-642-36824-0_4
Newton, D. (2019). Generative Deep Learning in Architectural Design. Technology Architecture and Design, 3(2),

211
 176–189. https://doi.org/10.1080/24751448.2019.1640536
Nguyen, A., Reiter, S., & Rigo, P. (2014). A review on simulation-based optimization methods applied to building
performance analysis. APPLIED ENERGY, 113, 1043–1058. https://doi.org/10.1016/j.apenergy.2013.08.061
Nicol, J. F., & Humphreys, M. A. (1973). Thermal Comfort As Part of a Self-Regulating System. Build Res Pract,
1(3), 174–179. https://doi.org/10.1080/09613217308550237
Nishida, G., Bousseau, A., & Aliaga, D. G. (2018). Procedural modeling of a building from a single image. Computer
Graphics Forum, 37(2), 415–429. https://doi.org/10.1111/cgf.13372
Noh, H., Hong, S., & Han, B. (2015). Learning deconvolution network for semantic segmentation. Proceedings of the
IEEE International Conference on Computer Vision, 2015 Inter, 1520–1528.
https://doi.org/10.1109/ICCV.2015.178
Obeso, A. Montoya, Benois-Pineau, J., Vázquez, M. S. G., & Acosta, A. A. R. (2019). Saliency-based selection of
visual content for deep convolutional neural networks: Application to architectural style classification.
Multimedia Tools and Applications, 78(8), 9553–9576. https://doi.org/10.1007/s11042-018-6515-2
Obeso, Abraham Montoya, Benois-Pineau, J., Acosta, A. Á. R., & Vázquez, M. S. G. (2016). Architectural style
classification of Mexican historical buildings using deep convolutional neural networks and sparse features.
Journal of Electronic Imaging, 26(1), 011016. https://doi.org/10.1117/1.jei.26.1.011016
Obeso, Abraham Montoya, Vázquez, M. S. G., Acosta, A. A. R., & Benois-Pineau, J. (2017). Connoisseur:
Classification of styles of Mexican architectural heritage with deep learning and visual attention prediction.
ACM International Conference Proceeding Series, Part F1301. https://doi.org/10.1145/3095713.3095730
Oxman, R. (2006). Theory and design in the first digital age. Design Studies, 27(3), 229–265.
https://doi.org/10.1016/j.destud.2005.11.002
Palermo, C. (2009). Sustentabilidade Social do Habitar. Florianópolis: Carolina Palermo.
Palermo, C., Morais, G., Costa, M., & Felipe, C. (2007). Habitação social: uma visão projetual. In IV Colóquio de
Pesquisas em Habitação “Coordenação Modular e Mutabilidade.” Belo Horizonte. Retrieved from
http://www.mom.arq.ufmg.br/mom/coloquiomom/comunicacoes/palermo.pdf
Pan, X., Yang, F., Gao, L., Chen, Z., Zhang, B., Fan, H., & Ren, J. (2019). Building Extraction from High-Resolution
Aerial Imagery Using a Generative Adversarial Network with Spatial and Channel Attention Mechanisms.
Remote Sensing, 11(8), 917. https://doi.org/10.3390/rs11080917
Parente, J. M., Rodrigues, E., Fernandes, M. S., Rangel, B., & Poças Martins, J. (2019). Generation of a Reference
Dataset with Twenty Low-Income Single-Family Houses in Fortaleza, Brazil and Thermal Discomfort
Assessment. Energy for Sustainability International Conference 2019 – Designing a Sustainable Future, 24-26
Jul, Turin, Italy, (July), 24–26. Retrieved from http://hdl.handle.net/10316/87226
Pasquali, G., Iannelli, G. C., & Dell’Acqua, F. (2019). Building footprint extraction from multispectral, spaceborne
earth observation datasets using a structurally optimized U-Net convolutional neural network. Remote Sensing,
11(23), 1–20. https://doi.org/10.3390/rs11232803
Pateman, C. (2009). Participação e teoria democrática. Paz & Terra.
Paulsen, J. S., & Sposto, R. M. (2013). A life cycle energy analysis of social housing in Brazil: Case study for the
program “my house my life.” Energy and Buildings, 57(2013), 95–102.
https://doi.org/10.1016/j.enbuild.2012.11.014
Pedro, J. A. C. B. de O. (2000). Definição e avaliação da qualidade arquitectónica habitacional. Universidade do
Porto.
Peña, A., & Brandão, D. (2014). Habitações de Interesse Social evolutivas: análise de projetos flexíveis quanto à
construtibilidade no momento de ampliação. XV Encontro Nacional de Tecnologia Do Ambiente Construído,
1(November 2014), 1993–2002. https://doi.org/10.17012/entac2014.248
Peponis, J., Wineman, J., Bafna, S., Rashid, M., & Kim, S. H. (1998). On the generation of linear representations of
spatial configuration. Environment and Planning B: Planning and Design, 25(4), 559–576.
https://doi.org/10.1068/b250559
Pequeno, R., & Aragão, T. (2009). Dimensão Habitacional da Região Metropolitana de Fortaleza. In Conjuntura
Urbana 5: Como anda Fortaleza (Segunda Ed). Rio de Janeiro: Letra Capital.
Pequeno, R., & Rosa, S. V. (2015). Inserção urbana e segregação espacial: análise do Programa Minha Casa Minha
Vida em Fortaleza. XVI Enanpur, 131–164. Retrieved from
http://repositorio.ufc.br/bitstream/riufc/24487/1/2015_eve_lrbpequeno.pdf
Pérez-andreu, V., Aparicio-fernández, C., Martínez-ibernón, A., & Vivancos, L. (2018). Impact of climate change on
heating and cooling energy demand in a residential building in a Mediterranean climate. Energy, 165, 63–74.
https://doi.org/10.1016/j.energy.2018.09.015

212
Pierangioli, L., Cellai, G., Ferrise, R., Trombi, G., & Bindi, M. (2014). Effectiveness of passive measures against
climate change : Case studies in Central Italy. Building Simulation. https://doi.org/10.1007/s12273-016-0346-8
Pino-Mejías, R., Pérez-Fargallo, A., Rubio-Bellido, C., & Pulido-Arcas, J. A. (2018). Artificial neural networks and
linear regression prediction models for social housing allocation: Fuel Poverty Potential Risk Index. Energy,
164, 627–641. https://doi.org/10.1016/j.energy.2018.09.056
PMI. (2017). Um Guia do Conhecimento em Gerenciamento de Projetos (Guia PMBOK) (Sixth). Newton Square:
Project Management Institute.
Portas, N. (1965). As Ciências Humanas na Renovação da Formação do Arquitecto. Análise Social, 3(III/12),
517/524.
Procel Info. (2006). Procel edifica - eficiência energética nas edificações. Retrieved May 21, 2018, from
http://www.procelinfo.com.br/data/Pages/LUMIS623FE2A5ITEMIDC46E0FFDBD124A0197D25879262547
22LUMISADMIN1PTBRIE.htm
Qian, W., Xu, Y., & Li, H. (2021). A self-sparse generative adversarial network for autonomous early-stage design of
architectural sketches. Computer-Aided Civil and Infrastructure Engineering, 1–17.
https://doi.org/10.1111/mice.12759
Qualitel. (2020). Qui sommes nous? Retrieved November 9, 2021, from https://www.qualitel.org/
Radford, A, Metz, L., & Chintala, S. (2016). Unsupervised Representation Learning with Deep Convolutional
Generative Adversarial Networks. CoRR, abs/1511.0.
Radford, Alec, Metz, L., & Chintala, S. (2016). Unsupervised representation learning with deep convolutional
generative adversarial networks. In 4th International Conference on Learning Representations, ICLR 2016 -
Conference Track Proceedings (pp. 1–16).
Rahbar, M., Mahdavinejad, M., Bemanian, M., Davaie Markazi, A. H., & Hovestadt, L. (2019). Generating Synthetic
Space Allocation Probability Layouts Based on Trained Conditional-GANs. Applied Artificial Intelligence,
33(8), 689–705. https://doi.org/10.1080/08839514.2019.1592919
Rahmani, K., & Mayer, H. (2018). High Quality Facade Segmentation Based on Structured Random Forest, Region
Proposal Network and Rectangular Fitting. In ISPRS Annals of the Photogrammetry, Remote Sensing and
Spatial Information Sciences (Vol. 4, pp. 223–230). https://doi.org/10.5194/isprs-annals-IV-2-223-2018
Rao, S. S. (2009). Engineering Optimization: Theory and Practice (4th ed.). John Wiley & Sons.
Ratti, C. et al. (2011). Open source architecture (OSArc). Domus (948).
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection.
Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2016-
Decem, 779–788. https://doi.org/10.1109/CVPR.2016.91
Reis, A. (2000). Fenótipos na habitação social, genótipos reveladores de sua estrutura espacial e níveis de satisfação.
Entac. Retrieved from http://www.infohab.org.br/entac2014/2000/Artigos/ENTAC2000_101.pdf
Reis, A. T. da L., & Lay, M. C. D. (2002). Tipos arquitetônicos e dimensões dos espaços da habitação social
Introdução. Ambiente Construído, 2(3), 7–24. Retrieved from
https://www.lume.ufrgs.br/bitstream/handle/10183/31646/000365984.pdf?sequence=1
Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster R-CNN: Towards Real-Time Object Detection with Region
Proposal Networks. In C. Cortes, N. D. Lawrence, D. D. Lee, M. Sugiyama, & R. Garnett (Eds.), Advances in
Neural Information Processing Systems 28 (pp. 91–99). Curran Associates, Inc. Retrieved from
http://papers.nips.cc/paper/5638-faster-r-cnn-towards-real-time-object-detection-with-region-proposal-
networks.pdf
Ringuest, J. L. (1992). Multiobjective Optimization: Behavioral and Computational Considerations. Boston, MA:
Springer US. https://doi.org/10.1007/978-1-4615-3612-3
Ripperda, N. (2008). Determination of Facade Attributes for Facade Reconstruction. ISPRS Congress Beijing 2008
Proceedings of Commission III, 285–290.
Ripperda, Nora, & Brenner, C. (2006). Reconstruction of façade structures using a formal grammar and RjMCMC.
Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture
Notes in Bioinformatics), 4174 LNCS, 750–759. https://doi.org/10.1007/11861898_75
Ripperda, Nora, & Brenner, C. (2009). Application of a Formal Grammar to Facade Reconstruction in Semiautomatic
and Automatic Environments. 12th AGILE International Conference on Geographic Information Science, 1–
12. Retrieved from http://www.ikg.uni-hannover.de/agile/fileadmin/agile/paper/44.pdf
Ritchie, D., Wang, K., & Lin, Y. A. (2019). Fast and flexible indoor scene synthesis via deep convolutional
generative models. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition (Vol. 2019-June, pp. 6175–6183). https://doi.org/10.1109/CVPR.2019.00634

213
Robert, A., & Kummert, M. (2012). Designing net-zero energy buildings for the future climate, not for the past.
Building and Environment, 55, 150–158. https://doi.org/10.1016/j.buildenv.2011.12.014
Roberti, F., Oberegger, U. F., & Gasparella, A. (2015). Calibrating historic building energy models to hourly indoor
air and surface temperatures: Methodology and case study. Energy and Buildings, 108, 236–243.
https://doi.org/10.1016/j.enbuild.2015.09.010
Rodrigues, E., Carvalho, D., & Fernandes, M. S. (2022). Future Weather Generator: Morphs current weather for
performance simulation of buildings in the future. Retrieved October 12, 2022, from https://adai.pt/future-
weather-generator/
Rodrigues, E., Fernandes, M. S., Gomes, Á., Gaspar, A. R., & Costa, J. J. (2019). Performance-based design of multi-
story buildings for a sustainable urban environment: A case study. Renewable and Sustainable Energy
Reviews, 113(February), 109243. https://doi.org/10.1016/j.rser.2019.109243
Rodrigues, E., Gaspar, A. R., & Gomes, Á. (2013). An evolutionary strategy enhanced with a local search technique
for the space allocation problem in architecture, Part 1: Methodology. Computer-Aided Design, 45(5), 887–
897. https://doi.org/https://doi.org/10.1016/j.cad.2013.01.001
Rodríguez, A. S. C. (2016). Qualidade da habitação nos assentamentos rurais no PNHR/PMCMV do estado de São
Paulo, 188.
Ronneberger, O., Fischer, P., & Brox, T. (2015). U-net: Convolutional networks for biomedical image segmentation.
Lecture Notes in Computer Science (Including Subseries Lecture Notes in Artificial Intelligence and Lecture
Notes in Bioinformatics), 9351, 234–241. https://doi.org/10.1007/978-3-319-24574-4_28
Rose, D., & Bex, P. (2020). The Linguistic Analysis of Scene Semantics: LASS. Behavior Research Methods,
2020(2013). https://doi.org/10.3758/s13428-020-01390-8
Royer, L. de O. (2009). Financeirização da política habitacional: limites e perspectivas. Universidade de São Paulo,
São Paulo. https://doi.org/10.11606/T.16.2009.tde-19032010-114007
Royer, L. de O. (2016). O FGTS e o mercado de títulos de base imobiliária: relações e tendências. Cadernos
Metrópole, 18(35), 33–52. https://doi.org/10.1590/2236-9996.2016-3502
Sadeghi, F., Arefi, H., Fallah, A., & Hahn, M. (2015). 3D building façade reconstruction using handheld laser
scanning data. International Archives of the Photogrammetry, Remote Sensing and Spatial Information
Sciences - ISPRS Archives, 40(1W5), 625–630. https://doi.org/10.5194/isprsarchives-XL-1-W5-625-2015
Saffer Medvedovski, N., De Azevedo dos Santos, L., & Benedetti Santiago, G. (2020). Assistência Técnica Para
Habitação De Interesse Social (Athis): O Ciclo Caat E Suas Contribuições. Expressa Extensão, 25(1), 85.
https://doi.org/10.15210/ee.v25i1.17259
Santos, A. P. B. dos. (2009). Cyberarchitecture: the virtualisation of architecture beyond representation towards
interactivity. University College London. Retrieved from https://discovery.ucl.ac.uk/id/eprint/17414
Santos, M. (2005). A urbanização Brasileira (5th ed.). São Paulo: Edusp.
Santosh, K. C., Lamiroy, B., & Wendling, L. (2014). Integrating vocabulary clustering with spatial relations for
symbol recognition. International Journal on Document Analysis and Recognition (IJDAR), 17(1), 61–78.
https://doi.org/10.1007/s10032-013-0205-4
Schaeffer, R., Szklo, A. S., Lucena, A. F. P. de, Souza, R. R. de, Borba, B. S. M. C., Costa, I. V. L. da, … Cunha, S.
H. F. da. (2008). Mudanças climáticas e segurança energética no Brasil. Rio de Janeiro.
Schaffer, J. D. (1984). Some experiments in machine learning using vector evaluated genetic algorithms (artificial
intelligence, optimization, adaptation, pattern recognition). Faculty Of Graduate School. Vanderbilt
University. Retrieved from http://www.osti.gov/energycitations/product.biblio.jsp?osti_id=5673304
Schmidt, R., Wyvill, B., Sousa, M. C., & Jorge, J. A. (2006). ShapeShop: Sketch-based solid modeling with
BlobTrees. SIGGRAPH 2006 - ACM SIGGRAPH 2006 Courses. https://doi.org/10.1145/1185657.1185775
Schmitz, M., & Mayer, H. (2016). A convolutional network for semantic facade segmentation and interpretation. In
International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences - ISPRS
Archives (Vol. 41, pp. 709–715). https://doi.org/10.5194/isprsarchives-XLI-B3-709-2016
Schneider, T., & till, J. (2005). Flexible housing: Opportunities and limits. Architectural Research Quarterly, 9(2),
157–166. https://doi.org/10.1017/S1359135505000199
Schuegraf, P., & Bittner, K. (2019). Automatic building footprint extraction from multi-resolution remote sensing
images using a hybrid FCN. ISPRS International Journal of Geo-Information, 8(4), 1–16.
https://doi.org/10.3390/ijgi8040191
Shalunts, G. (2015). Architectural Style Classification of Building Facade Towers (Vol. 2, pp. 285–294).
https://doi.org/10.1007/978-3-319-27857-5_26

214
Shalunts, G., Haxhimusa, Y., & Sablatnig, R. (2011). Architectural Style Classification of Building Facade Windows.
In Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture
Notes in Bioinformatics) (Vol. 9474, pp. 280–289). https://doi.org/10.1007/978-3-642-24031-7_28
Shalunts, G., Haxhimusa, Y., & Sablatnig, R. (2012). Architectural Style Classification of Domes (pp. 420–429).
https://doi.org/10.1007/978-3-642-33191-6_41
Sharma, D., & Chattopadhyay, C. (2017). ROBIN and S-ROBIN dataset. Retrieved November 9, 2021, from
https://github.com/gesstalt/ROBIN.git
Sharma, D., Gupta, N., Chattopadhyay, C., & Mehta, S. (2017). DANIEL: A Deep Architecture for Automatic
Analysis and Retrieval of Building Floor Plans. In Proceedings of the International Conference on Document
Analysis and Recognition, ICDAR (Vol. 1, pp. 420–425). https://doi.org/10.1109/ICDAR.2017.76
Sharma, D., Gupta, N., Chattopadhyay, C., & Mehta, S. (2019a). A novel feature transform framework using deep
neural network for multimodal floor plan retrieval. International Journal on Document Analysis and
Recognition, 22(4), 417–429. https://doi.org/10.1007/s10032-019-00340-1
Sharma, D., Gupta, N., Chattopadhyay, C., & Mehta, S. (2019b). REXplore: A sketch based interactive explorer for
real estates using building floor plan images. In Proceedings - 2018 IEEE International Symposium on
Multimedia, ISM 2018 (pp. 61–64). IEEE. https://doi.org/10.1109/ISM.2018.00018
Shi, Y., Li, Q., & Zhu, X. X. (2019). BFGAN-building footprint extraction from satellite images. In 2019 Joint
Urban Remote Sensing Event, JURSE 2019 (pp. 1–4). IEEE. https://doi.org/10.1109/JURSE.2019.8809048
Shimbo, L. Z. (2010). Habitação Social, Habitação de Mercado: A confluência entre Estado, empresas construtoras
e capital financeiro. Escola de Engenharia de São Carlos. https://doi.org/10.11606/T.18.2010.tde-04082010-
100137
Simonsen, C. P., Thiesson, F. M., Philipsen, M. P., & Moeslund, T. B. (2021). Generalizing Floor Plans Using Graph
Neural Networks. In 2021 IEEE International Conference on Image Processing (ICIP) (Vol. 1, pp. 654–658).
IEEE. https://doi.org/10.1109/ICIP42928.2021.9506514
Simonyan, K., & Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. 3rd
International Conference on Learning Representations, ICLR 2015 - Conference Track Proceedings, 1–14.
Siqueira, R. A. (2008). Peso econômico das soluções projetuais nas habitações de interesse social: Estudo de caso
dos conjuntos habitacionais do Programa de Crédito Solidário em Belo Horizonte. Universidade Federal de
Minas Gerais. Retrieved from https://repositorio.ufmg.br/handle/1843/RAAO-7GEHYL
Song, X., Herranz, L., & Jiang, S. (2017). Depth CNNs for RGB-D scene recognition: Learning from scratch better
than transferring from RGB-CNNs. In 31st AAAI Conference on Artificial Intelligence, AAAI 2017 (pp. 4271–
4277).
Sonka, M., Hlavac, V., & Boyle, R. (2015). Image processing, analysis and machine vision (Fourth). Stamford:
Cengage Learning.
Sorgato, M. J. (2011). Relatório Técnico da base de simulações para o RTQ-R. Florianópolis. Retrieved from
http://www.labeee.ufsc.br/projetos/etiquetagem/desenvolvimento/atividades-2008-2011/trabalho-ii
Sousa, M. J. C. N. C. e. (1994). Aplicação do método SEL a projectos de edifícios de habitação elaborados em
Portugal : habitabilidade da habitação. Universidade do Porto.
Souza, R. de, & Abiko, A. K. (1997). Metodologia para desenvolvimento e implantação de sistemas de gestão da
qualidade em empresas construtoras de pequeno e médio porte. Universidade de São Paulo.
Srinivas, N., & Deb, K. (1994). Muiltiobjective Optimization Using Nondominated Sorting in Genetic Algorithms.
Evolutionary Computation, 2(3), 221–248. https://doi.org/10.1162/evco.1994.2.3.221
Stiller, D., Stark, T., Wurm, M., Dech, S., & Taubenbock, H. (2019). Large-scale building extraction in very high-
resolution aerial imagery using Mask R-CNN. In 2019 Joint Urban Remote Sensing Event (JURSE) (pp. 1–4).
IEEE. https://doi.org/10.1109/JURSE.2019.8808977
Stiny, G. (1980). Introduction to shape and shape grammars. Environment and Planning B: Planning and Design,
7(3), 343–351. https://doi.org/10.1068/b070343
Stiny, G., & Mitchell, W. J. (1978). The Palladian grammar. Environment and Planning B: Planning and Design,
5(1), 5–18. https://doi.org/10.1068/b050005
Sun, C., Hsiao, C.-W., Sun, M., & Chen, H.-T. (2019). HorizonNet: Learning Room Layout With 1D Representation
and Pano Stretch Data Augmentation. In 2019 IEEE/CVF Conference on Computer Vision and Pattern
Recognition (CVPR) (pp. 1047–1056). IEEE. https://doi.org/10.1109/CVPR.2019.00114
Sutherland, I. E. (1964). Sketchpad a Man-Machine Graphical Communication System. SIMULATION, 2(5), R-3-R-
20. https://doi.org/10.1177/003754976400200514

215
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., … Rabinovich, A. (2015). Going Deeper With
Convolutions. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
Szeliski, R. (2020). Computer Vision: Algorithms and Applications (2nd editio). Springer. Retrieved from
https://szeliski.org/Book/
Szeliski, R. (2021). Computer Vision : Algorithms and Applications 2nd Edition. Springer, 1196.
Talbi, E.-G. (2009). Metaheuristics: from design to implementation (1st ed.). Hoboken: John Wiley and Sons, Inc.
Tavakkoli, V., Mohsenzadegan, K., & Kyamakya, K. (2020). A visual sensing concept for robustly classifying house
types through a convolutional neural network architecture involving a multi-channel features extraction.
Sensors (Switzerland), 20(19), 1–16. https://doi.org/10.3390/s20195672
Tchapmi, L., Choy, C., Armeni, I., Gwak, J., & Savarese, S. (2018). SEGCloud: Semantic segmentation of 3D point
clouds. In Proceedings - 2017 International Conference on 3D Vision, 3DV 2017 (pp. 537–547).
https://doi.org/10.1109/3DV.2017.00067
Tedeschi, A. (2014). AAD Algorithms-Aided Design (14th ed.). Le Penseur. Retrieved from
https://www.arturotedeschi.com/books
Tombre, K., Tabbone, S., Pélissier, L., Lamiroy, B., & Dosch, P. (2002). Text/Graphics Separation Revisited. In
Proc. 5th IAPR Int’l Workshop Document Analysis Systems (pp. 200–211). Springer, Berlin, Heidelberg.
https://doi.org/10.1007/3-540-45869-7_24
Triana, María Andrea. (2016). Abordagem integrada no ciclo de vida de habitação de interesse social considerando
mudanças climáticas. Universidade Federal de Santa Catarina.
Triana, Maria Andrea, Lamberts, R., & Sassi, P. (2018). Should we consider climate change for Brazilian social
housing ? Assessment of energy efficiency adaptation measures. Energy & Buildings, 158, 1379–1392.
https://doi.org/10.1016/j.enbuild.2017.11.003
Tulsiani, S., Gupta, S., Fouhey, D., Efrosefros, A. A., & Malik, J. (2018). Factoring Shape, Pose, and Layout from the
2D Image of a 3D Scene. In 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp.
302–310). IEEE. https://doi.org/10.1109/CVPR.2018.00039
Turner, J. F. C. (1977). Vivienda, todo el poder para los usuarios: hacia la economía em la construcción del entorno.
Madrid: H. Blumer.
U.S. Department of Energy. (2015). EnergyPlus 8.3.0-b45b06b780 Testing with BuildingThermal Envelope and
Fabric Load Tests fromANSI/ASHRAE Standard 140-2011. Retrieved from https://energyplus.net/testing
U.S. Department of Energy. (2018). EnergyPlus version 9.0.1 documentation: Getting Started. Retrieved from
https://energyplus.net/documentation
United Nations. (1996). Report of the United Nations Conference on Human Settlements (Habitat II): Istanbul. New
York, NY.
Van Der Voordt, T. J. M., & Van Wegen, H. B. R. (2007). Architecture in use: An introduction to the programming,
design and evaluation of buildings. Architecture in Use: An Introduction to the Programming, Design and
Evaluation of Buildings, 1–238. https://doi.org/10.4324/9780080490472
Van Veldhuizen, D. A., & Lamont, G. B. (2000). Multiobjective evolutionary algorithms: analyzing the state-of-the-
art. Evolutionary Computation, 8(2), 125–147. https://doi.org/10.1162/106365600568158
Vaz, C. E., Godoi, G. de, & Celani, M. G. C. (2011). A gramática da Forma. In D. K. Kowaltowski, D. de C.
Moreira, J. R. Petreche, & M. M. Fabrício (Eds.), O processo de projeto em arquitetura: da teoria à tecnologia
(1st ed., p. 504). São Paulo: Oficina de Textos.
Verniz, D. (2020). Understanding the Genesis of Form in Brazilian Informal Settlements: Towards a Grammar-
Based Approach for Planning Favela-Like Settlements in Steep Terrains in Rio De Janeiro. Pennsylvania State
University.
Viana, T. (2019, September 7). Fortaleza tem 130 mil famílias sem moradia adequada. Diário Do Nordeste.
Retrieved from https://diariodonordeste.verdesmares.com.br/metro/fortaleza-tem-130-mil-familias-sem-
moradia-adequada-1.2146684
Villa, S. B., Silva, L. A., Alexandre, D., & Silva, N. (2010). Como moram essas pessoas? A pesquisa de APO
funcional e comportamental em HIS : o caso do projeto. In XIII Encontro Nacional de Tecnologia do Ambiente
Construído. Canela, RS: Antac/UFGRS.
Villaça, F. (1986). O que todo cidadão precisa saber sobre habitação. Global Editora.
Voulodimos, A., Doulamis, N., Doulamis, A., & Protopapadakis, E. (2018). Deep Learning for Computer Vision: A
Brief Review. Computational Intelligence and Neuroscience, 2018. https://doi.org/10.1155/2018/7068349
Wagner, A., Gossauer, E., Moosmann, C., Gropp, T., & Leonhart, R. (2007). Thermal comfort and workplace

216
 occupant satisfaction-Results of field studies in German low energy office buildings. Energy and Buildings,
39(7), 758–769. https://doi.org/10.1016/j.enbuild.2007.02.013
Wan, G., & Sharf, A. (2012). Grammar-based 3D facade segmentation and reconstruction. Computers and Graphics
(Pergamon), 36(4), 216–223. https://doi.org/10.1016/j.cag.2012.02.003
Wang, S., Suo, S., Ma, W. C., Pokrovsky, A., & Urtasun, R. (2018). Deep Parametric Continuous Convolutional
Neural Networks. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition (pp. 2589–2597). https://doi.org/10.1109/CVPR.2018.00274
Wang, T., Li, J., & An, X. (2015). An Efficient Scene Semantic Labeling Approach for 3D Point Cloud. In 2015
IEEE 18th International Conference on Intelligent Transportation Systems (pp. 2115–2120). IEEE.
https://doi.org/10.1109/ITSC.2015.342
Wang, Z., She, Q., & Ward, T. E. (2019). Generative adversarial networks: A survey and taxonomy. ArXiv, (2), 1–16.
Williams, D., Elghali, L., Wheeler, R., & France, C. (2012). Climate change influence on building lifecycle
greenhouse gas emissions : Case study of a UK mixed-use development Intergovernmental Panel on Climate
Change. Energy & Buildings, 48, 112–126. https://doi.org/10.1016/j.enbuild.2012.01.016
Wohlin, C. (2014). Guidelines for snowballing in systematic literature studies and a replication in software
engineering. ACM International Conference Proceeding Series. https://doi.org/10.1145/2601248.2601268
Wolf, D., Prankl, J., & Vincze, M. (2015). Fast semantic segmentation of 3D point clouds using a dense CRF with
learned parameters. In 2015 IEEE International Conference on Robotics and Automation (ICRA) (pp. 4867–
4873). IEEE. https://doi.org/10.1109/ICRA.2015.7139875
Wolf, D., Prankl, J., & Vincze, M. (2016). Enhancing Semantic Segmentation for Robotics: The Power of 3-D
Entangled Forests. IEEE Robotics and Automation Letters, 1(1), 49–56.
https://doi.org/10.1109/LRA.2015.2506118
Wong, S. S. Y., & Chan, K. C. C. (2009). EvoArch: An evolutionary algorithm for architectural layout design. CAD
Computer Aided Design, 41(9), 649–667. https://doi.org/10.1016/j.cad.2009.04.005
Wonka, P., Wimmer, M., Sillion, F., & Ribarsky, W. (2003). Instant architecture. ACM SIGGRAPH 2003 Papers,
SIGGRAPH ’03, 669–677. https://doi.org/10.1145/1201775.882324
Wu, F., Yan, D. M., Dong, W., Zhang, X., & Wonka, P. (2014). Inverse procedural modeling of facade layouts. ACM
Transactions on Graphics, 33(4). https://doi.org/10.1145/2601097.2601162
Wu, G., Guo, Z., Shi, X., Chen, Q., Xu, Y., Shibasaki, R., & Shao, X. (2018). A boundary regulated network for
accurate roof segmentation and outline extraction. Remote Sensing, 10(8), 1–19.
https://doi.org/10.3390/rs10081195
Xiong, Z., Yuan, Y., & Wang, Q. (2020). MSN: Modality separation networks for RGB-D scene recognition.
Neurocomputing, 373, 81–89. https://doi.org/10.1016/j.neucom.2019.09.066
Xu, K., Chen, K., Fu, H., Sun, W.-L., & Hu, S.-M. (2013). Sketch2Scene. ACM Transactions on Graphics, 32(4), 1–
15. https://doi.org/10.1145/2461912.2461968
Xu, S., Wang, J., Shou, W., Ngo, T., Sadick, A. M., & Wang, X. (2021). Computer Vision Techniques in
Construction: A Critical Review. Archives of Computational Methods in Engineering, 28(5), 3383–3397.
https://doi.org/10.1007/s11831-020-09504-3
Xu, Z., Tao, D., Zhang, Y., Wu, J., & Tsoi, A. C. (2014). Architectural Style Classification Using Multinomial Latent
Logistic Regression (pp. 600–615). https://doi.org/10.1007/978-3-319-10590-1_39
Yamashita, R., Nishio, M., Do, R. K. G., & Togashi, K. (2018). Convolutional neural networks: an overview and
application in radiology. Insights into Imaging, 9(4), 611–629. https://doi.org/10.1007/s13244-018-0639-9
Yang, B., Li, L., Song, C., Jiang, Z., & Ling, Y. (2019). Automatic furniture layout based on functional area division.
In Proceedings - 2019 International Conference on Cyberworlds, CW 2019 (pp. 109–116).
https://doi.org/10.1109/CW.2019.00026
Yang, S. T., Wang, F. E., Peng, C. H., Wonka, P., Sun, M., & Chu, H. K. (2019). DuLa-Net: A dual-projection
network for estimating room layouts from a single RGB panorama. In Proceedings of the IEEE Computer
Society Conference on Computer Vision and Pattern Recognition (Vol. 2019-June, pp. 3358–3367).
https://doi.org/10.1109/CVPR.2019.00348
Ye, Z., Fu, Y., Gan, M., Deng, J., Comber, A., & Wang, K. (2019). Building extraction from very high resolution
aerial imagery using joint attention deep neural network. Remote Sensing, 11(24), 1–21.
https://doi.org/10.3390/rs11242970
Zawidzki, M., & Szklarski, J. (2020). Multi-objective optimization of the floor plan of a single story family house
considering position and orientation. Advances in Engineering Software, 141(February 2019), 102766.
https://doi.org/10.1016/j.advengsoft.2019.102766

217
Zawidzki, M., Tateyama, K., & Nishikawa, I. (2011). The constraints satisfaction problem approach in the design of
an architectural functional layout. Engineering Optimization, 43(9), 943–966.
https://doi.org/10.1080/0305215X.2010.527005
Zeng, Z., Li, X., Yu, Y. K., & Fu, C. W. (2019). Deep floor plan recognition using a multi-task network with room-
boundary-guided attention. In Proceedings of the IEEE International Conference on Computer Vision (Vol.
2019-Octob, pp. 9095–9103). https://doi.org/10.1109/ICCV.2019.00919
Zhang, B., Song, Y., Guan, S., & Zhang, Y. (2010). Historic Chinese Architectures Image Retrieval by SVM and
Pyramid Histogram of Oriented Gradients Features. International Journal of Soft Computing, 5(2), 19–28.
https://doi.org/10.3923/ijscomp.2010.19.28
Zhang, F., Nauata, N., & Furukawa, Y. (2020). Conv-MPN: Convolutional Message Passing Neural Network for
Structured Outdoor Architecture Reconstruction. In 2020 IEEE/CVF Conference on Computer Vision and
Pattern Recognition (CVPR) (pp. 2795–2804). IEEE. https://doi.org/10.1109/CVPR42600.2020.00287
Zhang, R., Du, L., Xiao, Q., & Liu, J. (2020). Comparison of Backbones for Semantic Segmentation Network.
Journal of Physics: Conference Series, 1544(1). https://doi.org/10.1088/1742-6596/1544/1/012196
Zhang, W., Zhang, W., & Gu, J. (2020). Edge-semantic learning strategy for layout estimation in indoor environment.
IEEE Transactions on Cybernetics, 50(6), 2730–2739. https://doi.org/10.1109/TCYB.2019.2895837
Zhang, Y., He, Y., Zhu, S., & Di, X. (2020). The Direction-Aware, Learnable, Additive Kernels and the Adversarial
Network for Deep Floor Plan Recognition. Retrieved from http://arxiv.org/abs/2001.11194
Zhao, C., Yang, J., & Li, J.-T. (2021). Generation of Hospital Emergency Department Layouts Based on Generative
Adversarial Networks. Journal of Building Engineering, 102539. https://doi.org/10.1016/j.jobe.2021.102539
Zhao, C., Yang, J., Xiong, W., & Li, J. (2021). Two Generative Design Methods of Hospital Operating Department
Layouts Based on Healthcare Systematic Layout Planning and Generative Adversarial Network. Journal of
Shanghai Jiaotong University (Science), 26(1), 103–115. https://doi.org/10.1007/s12204-021-2265-9
Zhao, N. (2018). End2End semantic segmentation for 3D indoor scenes. In MM 2018 - Proceedings of the 2018 ACM
Multimedia Conference (pp. 810–814). https://doi.org/10.1145/3240508.3243933
Zhao, S., Wang, L., Qian, X., & Chen, J. (2021). Enhancing performance-based generative architectural design with
sketch-based image retrieval: a pilot study on designing building facade fenestrations. The Visual Computer.
https://doi.org/10.1007/s00371-021-02170-x
Zhou, D., Wang, G., He, G., Long, T., Yin, R., Zhang, Z., … Luo, B. (2020). Robust building extraction for high
spatial resolution remote sensing images with self-attention network. Sensors (Switzerland), 20(24), 1–19.
https://doi.org/10.3390/s20247241
Zhu, Z., Li, D., Hu, Y., Li, J., Liu, D., & Li, J. (2020). Indoor scene segmentation algorithm based on full
convolutional neural network. Neural Computing and Applications, 0. https://doi.org/10.1007/s00521-020-
04961-0
Zhuo, X., Monks, M., Esch, T., & Reinartz, P. (2019). Facade segmentation from oblique UAV imagery. In 2019
Joint Urban Remote Sensing Event, JURSE 2019 (pp. 2–5). https://doi.org/10.1109/JURSE.2019.8809024
Ziaee, A., Dehbozorgi, R., & Döller, M. (2021). A Novel Adaptive Deep Network for Building Footprint
Segmentation. Retrieved from http://arxiv.org/abs/2103.00286
Ziran, Z., & Marinai, S. (2018). Object Detection in Floor Plan Images, 11081, 383–394. https://doi.org/10.1007/978-
3-319-99978-4_30
Zou, C., Colburn, A., Shan, Q., & Hoiem, D. (2018). LayoutNet: Reconstructing the 3D Room Layout from a Single
RGB Image. In Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern
Recognition (pp. 2051–2059). https://doi.org/10.1109/CVPR.2018.00219
Zou, C., Su, J. W., Peng, C. H., Colburn, A., Shan, Q., Wonka, P., … Hoiem, D. (2019). 3D manhattan room layout
reconstruction from a single 360° image. ArXiv.

Appendix A
Table A 1: Datasets.

Design
building Dataset Applications Link to dataset
category
AI Crowd
Building Segmentatio
Mapping https://www.crowdai.org/challenges/mapping-challenge
Footprint n
Challenge

218
 Segmentatio
AIRS https://www.airs-dataset.com/
n
Bing Map Classification https://www.bing.com/maps
CDNet Detection http://changedetection.net/
Deepglobe
Building
workshop http://deepglobe.org/
extraction
(CVPR)
Building
GeoEye https://apollomapping.com/geoeye-1-satellite-imagery
extraction
Building
extraction,
Google Earth https://earth.google.com/web/
Classification,
Detection
Google Street Classification,
https://www.google.com/maps/
View Detection
HyRANK Classification https://www2.isprs.org/commissions/comm3/wg4/hyrank/
IEEE GRSS Building
http://dase.grss-ieee.org/
DFC extraction
Building
INRIA extraction, https://project.inria.fr/aerialimagelabeling/
Classification
Kaggle Open
Generation https://www.kaggle.com/c/draper-satellite-image-chronology/data
Source
LINZ data Segmentatio
https://data.linz.govt.nz/
service n
Building
Massachusett extraction,
https://www.kaggle.com/balraj98/massachusetts-buildings-dataset
s Building Classification,
Detection
NWPU VHR Detection https://github.com/chaozhong2010/VHR-10_dataset_coco
Orthofoto Segmentatio
https://www.arcgis.com/apps/webappviewer/
Tirol n
Planetscope Generation,
Satellite Segmentatio https://apollomapping.com/planetscope-satellite-imagery
Imagery n
Segmentatio
RIT - 18 https://github.com/rmkemker/RIT-18
n
Building
extraction,
SpaceNet Detection, https://spacenet.ai/datasets/
Segmentatio
n
Building
extraction,
Urban3D https://github.com/topcoderinc/Urban3d
Segmentatio
n
Building
USGS https://earthexplorer.usgs.gov/
extraction
WHU Aerial Building
http://gpcv.whu.edu.cn/data/building_dataset.html
Building extraction
Worldview-2 Detection https://apollomapping.com/worldview-2-satellite-imagery
Arcbazar Generation https://www.arcbazar.com
Detection,
COCO Reconstructio https://cocodataset.org/#home
n
CODE
SUBMIT/ Generation https://github.com/CODE-SUBMIT/dataset2
dataset2
Segmentatio
Cubicasa5k https://github.com/CubiCasa/CubiCasa5k
n
Building
Segmentatio
Floor plan CVC-FP http://dag.cvc.uab.es/resources/floorplans/
n
Segmentatio
EAIS https://open.eais.go.kr/main/main.do
n
Google's
Classification https://www.google.com/imghp
image
Classification,
Generation,
Lifull Home's https://www.nii.ac.jp/dsc/idr/en/lifull/
Segmentatio
n

219
 Reconstructio
LSUN https://www.yf.io/p/lsun
n
Segmentatio
R2V and R3D https://github.com/zlzeng/DeepFloorplan
n
ROBIN Retrieval https://github.com/gesstalt/ROBIN
Generation,
RPLAN http://staff.ustc.edu.cn/~fuxm/projects/DeepLayout/index.html
Retrieval
Reconstructio
n,
ScanNet http://www.scan-net.org/
Segmentatio
n
Detection,
SESYD http://mathieu.delalandre.free.fr/projects/sesyd/
Generation
Detection,
Generation,
CMP https://cmp.felk.cvut.cz/~tylecr1/facade/
Segmentatio
n
Detection,
Segmentatio
e-Trims n, http://www.ipb.uni-bonn.de/projects/etrims_db/
Reconstructio
n
Detection,
ECP-Monge Segmentatio http://vision.mas.ecp.fr/Personnel/teboul/data.php
n, Generation
Google Street Segmentatio
https://www.google.com/maps/
View n
Building Segmentatio
Graz https://people.ee.ethz.ch/~rhayko/paper/cvpr2012_riemenschneider_lattice/
Facade n
Classification,
ImageNet https://image-net.org/
Detection
Segmentatio
Make3D http://make3d.cs.cornell.edu/data.html
n
Segmentatio
Mapillary https://www.mapillary.com/
n
Oxford
Classification https://www.robots.ox.ac.uk/~vgg/data/oxbuildings/
Buildings
RueMonge20 Segmentatio https://people.ee.ethz.ch/~rhayko/paper/eccv2014_riemenschneider_multivi
14 n ewsemseg/
SUN Generation https://vision.cs.princeton.edu/projects/2010/SUN/
TSG-20 Detection http://dib.joanneum.at/cape/TSG-20/
TSG-60 Detection http://dib.joanneum.at/cape/TSG-60/
ZuBuD Detection https://icu.ee.ethz.ch/research/datsets.html
Segmentatio
ADE20k https://groups.csail.mit.edu/vision/datasets/ADE20K/
n
3D
COCO reconstructio https://cocodataset.org
n
3D
Hedau reconstructio http://vhedau-uiuc.cs.uiuc.edu/%7Evarsha/Research/data/groundtruth.zip
n
ImageNet Detection https://www.image-net.org/
3D
LSUN reconstructio https://www.yf.io/p/lsun
n
3D indoor 3D
Matterport3
scene reconstructio https://niessner.github.io/Matterport/
D
n
Classification,
MIT67 http://web.mit.edu/torralba/www/indoor.html
Detection
3D
reconstructio
NYU Depth v1 n, https://cs.nyu.edu/~silberman/datasets/nyu_depth_v1.html
Segmentatio
n
Segmentatio
n,
NYU Depth v2 https://cs.nyu.edu/~silberman/datasets/nyu_depth_v2.html
Classification,
fusion

220
 Segmentatio
PanoContext https://panocontext.cs.princeton.edu/
n
Places 365 Classification http://places2.csail.mit.edu/download.html
3D
Realtor 360 reconstructio N/A
n
Segmentatio
S3DIS http://buildingparser.stanford.edu/dataset.html#Download
n
3D
reconstructio
ScanNet n, http://www.scan-net.org/
Segmentatio
n
Scene 15 Classification https://figshare.com/articles/dataset/15-Scene_Image_Dataset/7007177
3D
SceneNet reconstructio http://103.24.77.34/scenenn/home/
n
Segmentatio
ShapeNet https://shapenet.org/
n
3D
reconstructio
Stanford
n, http://buildingparser.stanford.edu/dataset.html#Download
2D3D
Segmentatio
n
3D
reconstructio
SUN 360 n, Detection, https://vision.cs.princeton.edu/projects/2012/SUN360/data/
Segmentatio
n
Segmentatio
n, Fusion,
SUN RGB-D https://rgbd.cs.princeton.edu/
Classification,
Detection
Segmentatio
XAUT N/A
n

Table A 2: Code sources.

Category Network Applications Link to codebase

ASLNet Analysis for building extraction https://github.com/ggsDing/ASLNet
https://github.com/liangjian2018/MFRN
DenseNet Analysis for image
https://github.com/lixiang-ucas/Building-A-Nets
(based) segmentation
https://github.com/SimJeg/FC-DenseNet
Analysis for image
Faster R-CNN https://github.com/rbgirshick/py-faster-rcnn
segmentation
Analysis for image https://github.com/divamgupta/image-segmentation-keras
segmentation, object
FCN
detection, and object https://github.com/shelhamer/fcn.berkeleyvision.org
classification
Analysis for image https://github.com/martinarjovsky/WassersteinGAN
GAN segmentation and synthesis for
https://phillipi.github.io/pix2pix/
building footprint generation
Building
Analysis for building extraction
Footprint GCN https://github.com/tkipf/gcn
and image segmentation
Analysis for building extraction
Mask R-CNN https://github.com/matterport/Mask_RCNN
and image segmentation
Analysis for building extraction
RefineNet https://github.com/guosheng/refinenet
and image segmentation
Analysis for Building extraction,
ResNet object detection, and image https://github.com/KaimingHe/deep-residual-networks
segmentation
ResNext Analysis for building extraction https://github.com/facebookresearch/ResNeXt
RetinaNet Segmentation https://github.com/facebookresearch/Detectron
Analysis for building extraction,
SegNet detection, and image https://github.com/nshaud/DeepNetsForEO
segmentation

221
 Analysis for building extraction,
https://lmb.informatik.uni-freiburg.de/people/ronneber/u-
U-Net classification, detection, and
net/
image segmentation
https://colab.research.google.com/github/d2l-ai/d2l-en-
AlexNet
Analysis for image retrieval colab/blob/master/chapter_convolutional-
(modified)
modern/alexnet.ipynb
Faster R-CNN Analysis for object detection https://github.com/rbgirshick/py-faster-rcnn
Analysis for image
FloorNet https://github.com/art-programmer/FloorNet
segmentation
https://github.com/phillipi/pix2pix
Analysis for image
https://github.com/junyanz/pytorch-CycleGAN-and-pix2pix
GAN segmentation and synthesis for
https://github.com/openai/InfoGAN
building footprint generation
Building https://github.com/JiananLi2016/LayoutGAN-Tensorflow
floor plan https://colab.research.google.com/github/d2l-ai/d2l-en-
LeNet
Analysis for room classification colab/blob/master/chapter_convolutional-neural-
(Modified)
networks/lenet.ipynb
Mask R-CNN Analysis for object detection https://github.com/matterport/Mask_RCNN
Analysis for image
ResNet https://github.com/KaimingHe/deep-residual-networks
segmentation
PixelDCL / Analysis for image
https://github.com/divelab/PixelTCN
PixelTCN segmentation
YOLO / YOLO
Analysis for object detection https://pjreddie.com/darknet/yolo/
v2
Analysis for classification and
AlexNet segmentation, and synthesis https://github.com/deep-diver/AlexNet
for building facade generation
ALKNet Analysis for segmentation https://github.qsf.workers.dev/wohaiyo/Pyramid_ALKNet
Analysis for building facade
DenseNet https://github.com/liuzhuang13/DenseNet
classification
Faster R-CNN Analysis for object detection https://github.com/rbgirshick/py-faster-rcnn
Analysis for image
FCN https://github.com/shelhamer/fcn.berkeleyvision.org
segmentation
Analysis for building facade
FCRN https://github.com/iro-cp/FCRN-DepthPrediction
reconstruction
Synthesis for building facade https://phillipi.github.io/pix2pix/
GAN
generation https://github.com/Newmu/dcgan_code
Analysis for building facade
GoogLeNet https://paperswithcode.com/model/googlenet
classification
Mask R-CNN Analysis for object detection https://github.com/matterport/Mask_RCNN
Analysis for building facade
NASNet https://github.com/johannesu/NASNet-keras
classification
Analysis for object detection,
ResNet image segmentation, and https://github.com/KaimingHe/deep-residual-networks
building facade classification
YOLO Analysis for object detection https://pjreddie.com/darknet/yolo/
Building
Analysis for 3D indoor scene https://github.com/tensorflow/tpu/tree/master/models/of
facade EfficientNet
classification ficial/efficientnet
Analysis for 3D reconstruction
Faster R-CNN https://github.com/ShaoqingRen/faster_rcnn
and object detection
Analysis for 3D reconstruction
FCN and image/point cloud https://github.com/iro-cp/FCRN-DepthPrediction
segmentation
Synthesis for 3D indoor scene
GAN https://github.com/chenhsuanlin/spatial-transformer-GAN
generation
Analysis for 3D indoor scene
GCN classification and synthesis for https://github.com/tkipf/gcn
3D indoor scene generation
Analysis for image https://github.com/tensorflow/models/blob/master/resear
MobileNet
segmentation ch/slim/nets/mobilenet_v1.md
https://github.com/TUI-NICR/ESANet
Analysis for 3D reconstruction, https://github.com/GitBoSun/roomnet
3D indoor scene classification,
https://github.com/ownstyledu/Translate-to-Recognize-
object detection, image
ResNet Networks
retrieval, image/point cloud
https://github.com/sunset1995/HorizonNet
segmentation, and synthesis
https://github.com/brownvc/planit
for 3D indoor scene generation
https://github.com/JindongJiang/RedNet
Analysis for 3D reconstruction
SegNet https://github.com/zouchuhang/LayoutNet
and image segmentation

222
 Analysis for image https://lmb.informatik.uni-freiburg.de/people/ronneber/u-
U-Net
segmentation net/
Analysis for 3D indoor scene
YOLO https://pjreddie.com/darknet/yolo/
classification

223