IA, gémeos digitais e planeamento de renovações: o que é exagero e o que é útil hoje em dia

Eis a resposta curta: as ferramentas úteis atualmente são aquelas que o ajudam a planear o CAPEX utilizando gestão de activos baseada no risco, testar opções de reabilitação, classificar os projetos por risco e emissões de carbono e documentar os motivos por trás de cada decisão. A IA é eficaz na triagem de inspeções. Os gémeos digitais são eficazes no teste de cenários de reabilitação. Os modelos de risco são eficazes para indicar quando se deve reparar, adiar ou substituir. E nenhum deles deve funcionar em piloto automático.

Se tivesse de resumir todo o artigo, diria o seguinte:

• A IA ajuda a organizar o trabalho de inspeção, não a substituir os engenheiros
• Os modelos de ciclo de vida e de risco ajudam a planear as despesas ao longo de 5, 10 e 30 anos
• Os gémeos digitais ajudam a comparar as opções de reabilitação antes do início da construção
• As ferramentas de gestão de carteiras ajudam a classificar os edifícios em função do risco, das emissões e do orçamento
• Dados incorretos sobre os ativos irão comprometer todos esses fluxos de trabalho

Alguns números ilustram rapidamente a questão: a análise de imagens com base em IA atingiu cerca de Precisão do 94% para alguns casos concretos de deteção de defeitos; um caso do portfólio tratado Mais de 2 000 pedidos de manutenção em 600 imóveis; e os gémeos calibrados têm apoiado planos de modernização associados a Poupanças de energia estimadas para os modelos 14% a 27%, tendo sido relatado um caso Poupanças efetivas do 23% depois de o trabalho ter sido concluído.

Desbloquear o potencial dos gémeos digitais com IA na construção!

sbb-itb-5be7949

Comparação rápida

Ferramenta	Para que o utilizaria neste momento	O que faz bem	Limite principal
Avaliação do estado com o apoio da IA	Inspeções de triagem em grandes carteiras	Identifica possíveis defeitos a partir de fotografias, vídeos, imagens captadas por drones e registos de trabalho	Fraco, com danos ocultos, falhas esporádicas e dados desorganizados
Modelação do ciclo de vida e dos riscos	Reparação vs. substituição da correia de distribuição	Estado das ligações, risco de falha e custo ao longo do tempo	As previsões de ponto único podem induzir em erro
Gémeos digitais	Teste de cenários de adaptação	Compara as opções em termos de energia, conforto, custo e fases	São necessários dados de referência calibrados
Ferramentas de priorização de portfólios	Classificação de projetos em vários ativos	Ajuda a canalizar os fundos, em primeiro lugar, para os que apresentam pior desempenho	Os resultados ainda têm de ser revistos por pessoas
Oxand Simeo™	Planeamento plurianual de CAPEX/OPEX	Integra o estado, o envelhecimento, o risco e a modelação de cenários em planos prontos para auditoria	Depende de um registo de ativos preciso e de dados atualizados sobre o estado dos mesmos

Portanto, se gere um campus, um sistema de saúde, uma rede de serviços públicos ou uma carteira de imóveis comerciais que se encontram em fase de envelhecimento, a estratégia a curto prazo é simples: Corrija primeiro os seus dados, utilize a IA para acelerar a revisão das inspeções, recorra a modelos de risco para otimizar o tempo gasto e utilize gémeos digitais sempre que dispuser de dados suficientes sobre o edifício para confiar nos resultados dos cenários.

1. Oxand Simeo™

A Oxand Simeo™ é uma plataforma de planeamento de investimento em ativos concebida para a tomada de decisões de CAPEX e OPEX com base no risco, em horizontes temporais de 5, 10 e 30 anos. ^[1][5][6]

No que diz respeito ao planeamento de renovações, a sua principal função é bastante simples: ajudar as equipas a modelar a forma como os ativos envelhecem, sofrem avarias e se recuperam em diferentes cenários de intervenção. A plataforma baseia-se em Mais de 10 000 modelos de envelhecimento e desempenho e Mais de 30 000 ações de manutenção e bases de custos. ^[2][3] Aon descreve o SIMEO™ como:

uma poderosa ferramenta de simulação que ajuda a comparar estratégias de investimento a curto e a longo prazo, apoiada por modelos de envelhecimento e bases de dados de manutenção criadas ao longo de mais de 15 anos. ^[4]

Isso é importante no planeamento do dia-a-dia. Um gestor de carteira pode testar cenários como adiar a substituição de um telhado por cinco anos, antecipar atualizações do sistema de climatização para cumprir uma meta de descarbonização ou manter o CAPEX estável em vez de o aumentar. Depois, pode comparar as compensações entre custos, riscos e emissões sem se perder no caos das folhas de cálculo. ^[3][5] A Oxand afirma que este método pode reduzir os custos ao longo do ciclo de vida, melhorar a disponibilidade e acelerar o planeamento com vista à auditoria. ^[2][4]

A plataforma também suporta ISO 55001 governação. Além disso, cria automaticamente uma pista de auditoria que associa cada recomendação de investimento aos dados e modelos subjacentes. ^[3]

Há, no entanto, um grande senão: a qualidade do planeamento depende da qualidade dos dados que o alimentam. O Simeo depende de que os dados do CMMS, da IoT, das inspeções e de outras fontes de dados sobre os ativos estejam atualizados e completos. Se o registo de ativos apresentar lacunas ou se os dados sobre o estado estiverem desatualizados, os cenários refletirão essas falhas. Pode tornar os dados de boa qualidade mais úteis, mas não irá corrigir dados de má qualidade. ^[3] É por isso que a avaliação do estado das instalações, apoiada pela IA, tem de ser a prioridade.

2. Avaliação do estado das instalações com o apoio da IA

A avaliação do estado das instalações, apoiada por IA, ajuda as equipas a transformar os dados de inspeção numa sistema de triagem mais rápido. Não substitui os engenheiros. Ajuda-os a identificar o que requer atenção prioritária. É por isso que a inspeção é uma das primeiras áreas em que a IA está a começar a dar frutos.

No dia-a-dia, isto significa normalmente aplicar aprendizagem automática e visão computacional a fotografias, vídeos, imagens captadas por drones e registos de manutenção. O sistema avalia o estado dos ativos, assinala possíveis defeitos e fornece aos inspetores um melhor ponto de partida. Neste momento, os melhores casos de utilização são as verificações visuais repetitivas, incluindo:

• a rachar
• desagregação
• corrosão
• defeitos no telhado
• infiltração de água
• anomalias na fachada

No que diz respeito às imagens captadas por drones, o deep learning atingiu cerca de Precisão do 94% na deteção de tipos específicos de danos no betão.^[8]

Isto altera a forma como as equipas podem gerir grandes carteiras. Em vez de verificar todos os ativos de acordo com o mesmo calendário anual fixo, a IA pode atribuir uma pontuação preliminar à carteira e identificar o grupo de maior risco para uma revisão técnica completa. Uma estrutura de 2023 utilizada numa carteira imobiliária processou mais de 2 000 pedidos de manutenção em 600 imóveis. O projeto combinou a análise de imagens de fotografias dos telhados com a análise de texto dos registos do sistema de climatização, tendo depois transformado esses resultados em pacotes de trabalho específicos e em reparações do sistema de climatização com prazo de 60 dias.^[7]

Dito isto, o ponto ideal aqui é rendimento e consistência na inspeção, não num diagnóstico totalmente automatizado. A IA pode ajudar a classificar, ordenar e assinalar. Ainda não é a ferramenta em que se pode confiar, por si só, para determinar a causa principal ou definir o âmbito da reparação.

Existem também limites rígidos. A IA funciona melhor quando os dados de inspeção estão associados a identificadores de ativos, tipos de defeitos, classificações de gravidade e resultados de acompanhamento. Sem essa estrutura, o desempenho diminui. É também menos fiável no caso de deterioração oculta, modos de falha raros, tipos de construção altamente variáveis ou ativos com documentação desorganizada. E, tal como acontece com muitas ferramentas de software, os modelos podem parecer seguros de si mesmo quando os dados se situam fora do âmbito para o qual foram treinados.

A opção mais defensável neste momento é Inspeção assistida por IA com revisão por um engenheiro. Deixe que o modelo classifique os ativos de acordo com a probabilidade de deterioração e sinalize anomalias. Em seguida, os engenheiros confirmam as classificações de estado, determinam a causa principal e decidem o âmbito da reparação para tudo o que esteja relacionado com a segurança, a conformidade regulamentar ou decisões de investimento de grande envergadura. O fluxo de trabalho é simples: inspecionar, verificar e, por fim, investir. Essas classificações de estado verificadas podem, posteriormente, alimentar modelos de ciclo de vida e de risco.

3. Modelização do ciclo de vida e dos riscos

Depois de confirmar as pontuações de estado resultantes da inspeção assistida por IA, o próximo passo é simples: Quando é que se deve gastar dinheiro e onde é que esse dinheiro deve ser aplicado? Isso começa com um registo de ativos atualizado, avaliações do estado dos ativos, vida útil remanescente (RUL), dados de custos e uma visão clara da probabilidade de falha e das suas consequências. Ao reunir todos estes elementos, os dados relativos ao estado dos ativos passam a orientar o calendário, o âmbito e os limites de risco.

A modelação baseada no risco tende a funcionar melhor do que o planeamento baseado apenas na idade. Estudos realizados com dados de inspeções anteriores revelaram que a gestão de instalações baseada no risco apresentava uma relação mais forte com o estado futuro e a fiabilidade do que os modelos determinísticos baseados na idade.^[16][18] Essa ideia não é nova. O que mudou foi a escala em que a se pode aplicar. Duas fachadas construídas no mesmo ano podem necessitar de planos de ação muito diferentes, consoante a exposição, a utilização e as consequências em caso de falha. Uma fachada situada acima de uma entrada pública movimentada passa para o topo da lista. Uma fachada semelhante numa ala de serviço com pouco tráfego pode ficar para mais tarde. A idade, por si só, não é suficiente para determinar isso.

No que diz respeito à IA, os modelos prognósticos baseados em IA estão agora suficientemente maduros para melhorar as previsões de vida útil residual, quando comparados com as tabelas de vida útil.^[9][11][13] São capazes de lidar com sinais de degradação sobrepostos, deterioração não linear e diferentes condições de funcionamento. Também permitem determinar intervalos de RUL com limites de confiança que contribuem para um planeamento que tenha em conta os riscos.^[9][11] No uso quotidiano, estes modelos revelam-se mais práticos para ativos de elevado valor ou de alto risco — pontes, elementos estruturais importantes e sistemas MEP essenciais ao funcionamento —, nos quais os proprietários já dispõem de registos de inspeção ou de dados de sensores.^[9][10] No caso de carteiras de edifícios em geral, com dados mais limitados, os modelos mais simples, baseados na idade, no ambiente e em inspeções periódicas do estado dos edifícios, são frequentemente a opção mais adequada, especialmente no que diz respeito a fachadas e telhados.^[13] Essas previsões devem ser integradas diretamente no planeamento das despesas de capital (CAPEX) e das despesas operacionais (OPEX) da carteira.

Há um senão: as estimativas do RUL podem parecer exatas no papel e, mesmo assim, falhar. Se os ativos estiverem a funcionar em condições diferentes das utilizadas para treinar o modelo — novos materiais, fenómenos climáticos extremos ou mudanças nos padrões de utilização —, a previsão pode estar muito longe da realidade.^[11][12] Um erro comum consiste em definir planos de investimento com base em estimativas de RUL de ponto único, sem realizar testes de sensibilidade nem recalibrações regulares.^[9][11] É mais seguro considerar os resultados do ciclo de vida como gamas, e não respostas fixas. Registe os pressupostos, mantenha as curvas de deterioração arquivadas e recalibre após cada ciclo de inspeção, para que o modelo se mantenha atualizado e não fique desatualizado.^[17][15]

A verdadeira questão é até que ponto o seu modelo consegue lidar com a incerteza.

Abordagem	Força	Limitação principal
Renovação com base na idade	Simples e fácil de explicar	Muitas vezes não tem em conta o estado real, a utilização e as consequências de uma avaria
Modelação do ciclo de vida com base no estado	Reflete a degradação real e a vida útil restante	Exige inspeções regulares e dados de boa qualidade
Modelação baseada no risco	Prioriza por probabilidade e impacto	É necessário definir critérios de criticidade e mecanismos de governação acordados
Previsão da RUL com base na IA	Pode melhorar a precisão das previsões e lidar com a deterioração não linear	Depende da qualidade dos dados de treino e pode sobrestimar a precisão

Em alguns casos, os bens que tinham sido identificados para substituição a curto prazo acabaram por durar sem problemas 25% ou mais para além das estimativas de vida útil, o que permite às equipas adiar as despesas de capital (CAPEX), mantendo-se dentro de um intervalo de risco aceitável.^[14] Por outro lado, a modelação de riscos pode revelar ativos problemáticos ocultos — estruturas com longas vidas úteis teóricas, mas em condições ambientais precárias —, permitindo que as equipas intervenham atempadamente nos casos em que os riscos de segurança e de conformidade são mais elevados.^[13] Esses intervalos servem, então, de dados de entrada para os testes de cenários de renovação com o gémeo digital.

4. Gémeos digitais para testes de cenários de renovação

Os gémeos digitais ajudam os proprietários a avaliar as opções de reabilitação em função do desempenho medido do edifício, dos custos e das perturbações. Um gémeo digital calibrado do edifício reúne um modelo BIM ou 3D, dados de consumo de serviços públicos recolhidos a intervalos regulares, dados de AVAC/BMS e horários de ocupação.^{[21][22][23][30]} A partir daí, pode simular o desempenho atual de um edifício e a forma como este poderá reagir a opções de reabilitação, incluindo os efeitos no consumo de energia, nas cargas de pico, no conforto e nas compensações entre CAPEX e OPEX.^[22][23][26]

A palavra-chave aqui é calibrado. Um modelo de simulação é mais útil quando corresponde ao desempenho de referência medido e reflete os dados locais da empresa de serviços públicos, os ficheiros climáticos e os padrões reais de ocupação.^[23][26] É essa etapa que transforma o modelo de uma estimativa aproximada em algo que os proprietários podem utilizar para o planeamento.

No dia-a-dia, os gémeos digitais podem ajudar os proprietários a decidir se uma remodelação faz mais sentido do que uma substituição total, qual o conjunto de medidas que proporciona o melhor retorno do investimento e qual a ordem a seguir na renovação de ativos para atingir as metas de carbono e cumprir os prazos previstos nos códigos e regulamentos.^[22][25][26] Ao nível da carteira, os «gémeos» podem comparar diferentes percursos de renovação e ajudar a definir a sequência dos projetos com base no tempo de retorno, nos períodos de perturbação e nos prazos regulamentares.^[20][25]

Já existem exemplos concretos. Um modelo digital calibrado do edifício foi utilizado para planear uma remodelação do sistema de climatização no Universidade de Liverpool Previsão de poupança de energia de 14%. O consumo real de energia diminuiu 23%, o que representou uma poupança de cerca de $32 000 por ano.^[29] Um modelo para 15 edifícios de escritórios em Singapura simulou uma poupança de energia de 27% e até 19% de eletricidade proveniente de painéis solares fotovoltaicos instalados no local.^[31] À escala da carteira, este mesmo método proporciona às equipas uma forma padronizada de comparar ativos heterogéneos. A mesma abordagem calibrada pode, então, ser utilizada em toda a carteira.

É claro que esses resultados dependem dos dados de referência utilizados para ajustar o modelo gemelo. No mínimo, os proprietários nos EUA precisam de 12 a 24 meses de dados de consumo por intervalo, um modelo do edifício razoavelmente preciso, as principais especificações do sistema e os horários de ocupação.^[21][22][23] Sem essa base, os resultados dos cenários tornam-se demasiado incertos para a tomada de decisões de investimento concretas. No caso de edifícios mais antigos com pouca documentação, as equipas podem criar modelos digitais em fases, começando pelos desenhos de obra concluída e adicionando, ao longo do tempo, dados de sensores e de medição.^[22][27]

O ponto forte dos gémeos digitais reside na realização contínua de testes de cenários. As equipas podem simular cenários para diferentes níveis de ocupação, condições meteorológicas extremas ou alterações nas tarifas e, em seguida, atualizar o modelo à medida que surgem novos dados.^[19][22] Igualmente importante, o sistema duplo proporciona aos proprietários, engenheiros e operadores uma referência visual comum. Isso pode reduzir as idas e vindas que, muitas vezes, atrasam as decisões de investimento.^[22][25][27] O sistema Twins também apoia a medição e verificação pós-implementação, estabelecendo uma ligação entre o desempenho previsto e os resultados efetivos.^[23][24][27]

Dito isto, há limites. Muitas empresas gêmeas concentram-se apenas na energia e ignoram outras questões, como o risco estrutural, a conformidade com os códigos, o comportamento dos inquilinos e a logística da construção.^[22][25][15] Esses dados ainda precisam de ser analisados por especialistas. À escala do portfólio, reunir dados inconsistentes provenientes de dezenas de edifícios continua a ser difícil, e as alegações de que os «gémeos» do portfólio podem produzir automaticamente sequências de renovação otimizadas vão além do que a maioria das equipas consegue fazer atualmente.^[19][20][28] Portanto, a estratégia mais sensata é simples: utilizar gémeos digitais para comparar opções, e não para substituir o discernimento dos engenheiros. Esses resultados podem, então, servir de base para a definição de prioridades do portfólio e para o planeamento da descarbonização. O próximo passo consiste em classificar essas opções em função do risco, das emissões de carbono e do orçamento.

Caso de utilização	Vencimento hoje	Requisito fundamental	Principal limitação
Simulação da remodelação do sistema de climatização de um único edifício	Útil hoje	Dados calibrados da rede de serviços públicos e do sistema de gestão de edifícios (BMS)	Âmbito restrito; centrado em decisões relacionadas com a energia e os sistemas de climatização
Testes de cenários de adaptação da envolvente	Útil hoje	Modelo 3D/BIM + ficheiro climático + dados de medição	A calibração exige mais trabalho nos edifícios mais antigos
Sequência de renovações ao nível do portfólio	Em ascensão	Dados consistentes em todos os ativos	A integração de dados heterogéneos continua a ser complexa
Medição e verificação pós-implementação	Útil hoje	Medição e monitorização contínuas	Exige um compromisso contínuo com a gestão de dados

5. Priorização do portfólio e planeamento da descarbonização

A análise de cenários ao nível de cada edifício só compensa se o capital da carteira for investido nos locais certos. Ao nível da carteira, o trabalho é bastante simples de descrever, mas mais difícil de executar com sucesso: classificar os projetos por risco, carbono e orçamento. E mesmo com um software avançado, essa decisão continua a exigir o discernimento humano.

Comece por comparar cada ativo em Gestor da carteira ENERGY STAR, e, em seguida, utilize o DOE’s MELHOR ferramenta para classificar edifícios quanto ao seu potencial de reabilitação para atingir o consumo energético líquido zero.^[32][39] A partir daí, segmente os ativos por intensidade de GEE, tipo de sistema de aquecimento e intensidade de carbono da rede elétrica. Isso facilita a seleção de edifícios representativos para auditorias mais aprofundadas e, posteriormente, a aplicação dessas conclusões a ativos semelhantes.^[33] Isto torna-se muito mais útil quando as classificações estão associadas aos índices de condição, aos intervalos de RUL e aos resultados dos cenários já definidos através da modelação do ciclo de vida e dos testes com gémeos digitais.

Dito de forma simples: começar por abordar os que têm pior desempenho. Canalizar os fundos destinados à renovação para esses ativos pode proporcionar Reduções entre 10 e 30 vezes maiores em termos de consumo de energia e emissões de carbono do que abordagens menos específicas.^[36] do DOE Desafio para um Clima Melhor dá uma ideia de como isso pode ser na prática. Os participantes referiram que Redução média de GEE de 21% no primeiro ano.^[35][37]

Por enquanto, faz geralmente sentido manter o modelo centrado em Emissões operacionais de Âmbito 1 e 2, a menos que o portfólio disponha de dados mais aprofundados em que se possa confiar. O carbono incorporado, o Âmbito 3 e os riscos climáticos detalhados continuam a estar fora do âmbito de muitas ferramentas de planeamento essenciais.^[38][40] Assim, embora estas ferramentas sejam úteis para o trabalho de sequenciação e atribuição de orçamentos, um plano de renovação alinhado com as metas de carbono continua a necessitar da análise de especialistas.

Também deves desdobrar IRA incentivos no modelo. O §179D dedução por eficiência energética, §45L créditos fiscais e o Crédito Fiscal ao Investimento pois as energias renováveis no local podem melhorar a rentabilidade dos projetos em toda uma carteira. Em termos simples, podem ajudar a tirar o máximo partido de um orçamento fixo de CAPEX sem comprometer as metas de carbono.^[34]

Ferramenta / Abordagem	Decisão que apoia	Vencimento hoje	Limitação principal
Gestor da carteira ENERGY STAR	Análise comparativa da EUI e da intensidade de GEE em todos os ativos	Adulto	Analisa os dados do utilitário; não inclui avaliação do estado.
Ferramenta DOE BETTER	Priorizar edifícios para remodelações com objetivo de emissões líquidas nulas	Adulto	De alto nível; não substitui as auditorias.
Priorização do «pior primeiro»	Planear as renovações de forma a maximizar o impacto na redução das emissões de carbono	Adulto	É necessária uma base de referência consistente em todo o portfólio.
Modelação de incentivos do IRA	Melhorar a rentabilidade dos projetos e a afetação de CAPEX	Adulto	É necessário verificar os requisitos de elegibilidade.
Carbono incorporado e integração do Âmbito 3	Planeamento das emissões de carbono ao longo de todo o ciclo de vida	Em ascensão	Continuam a existir lacunas nos dados.

Estas ferramentas funcionam melhor quando os dados da carteira estão organizados e a decisão já foi enquadrada em torno de risco, carbono e orçamento.

Vantagens, desvantagens e decisões sobre a melhor opção

A verdadeira questão não é o que estas ferramentas promessa. A questão é saber quais são os que têm importância decisiva neste momento.

A maioria das ferramentas só é relevante quando ajuda a alterar uma decisão de investimento, e não quando apresenta um painel de controlo bem apresentado. Os filtros definidos anteriormente neste artigo continuam a ser válidos: Calendário de CAPEX, metas de carbono, pista de auditoria e redução de riscos. Se uma ferramenta não conseguir ajudar nessas áreas, é difícil justificá-la.

A manutenção preditiva pode reduzir custos e melhorar o tempo de atividade, mas muitas implementações ainda não atingem as metas de retorno sobre o investimento (ROI) porque os dados são insuficientes e a configuração do processo não está preparada.^[41][42] É essa a lacuna. Não é a tecnologia em si.

Os gémeos com dados em tempo real permitem testar cenários de renovação. Os gémeos estáticos baseados em BIM descrevem, na sua maioria, o que já existe. Essa é uma grande diferença. A questão não é se a ferramenta aparências avançada; a questão é saber se pode sustentar uma decisão de investimento defensável.

Oxand Simeo™ destaca-se neste aspeto. Permite o planeamento plurianual de CAPEX com modelos probabilísticos de envelhecimento e de risco, e faz-o sem recorrer a redes densas de sensores.

A matriz abaixo distingue as ferramentas que podem melhorar as decisões de renovação atualmente daquelas que ainda necessitam de melhores dados ou de uma governação mais rigorosa.

Assunto	Benefícios atuais	Principais limitações	Caso de utilização mais adequado	Ainda não é suficientemente fiável
Oxand Simeo™	Planeamento de CAPEX/OPEX baseado no risco; simulação de cenários; registo de auditoria em conformidade com a norma ISO 55001; independente de redes IoT densas	Requer um registo de ativos preciso e dados de estado calibrados	Grandes carteiras que necessitam de planos de investimento baseados no risco e alinhados com as metas de carbono, com documentação fundamentada	Atribuição automática do orçamento sem revisão humana
Avaliação do estado com o apoio da IA	Detecção precoce de defeitos; triagem consistente das inspeções; decisões de manutenção direcionadas	Requer um histórico suficiente de dados dos sensores e de imagens; pode não detetar defeitos estruturais ocultos	Inspeção de alta frequência com dados operacionais abrangentes	Único fundamento para decisões de grande importância em matéria de segurança estrutural
Modelação do ciclo de vida e dos riscos	Submete os cenários orçamentais a testes de resistência; quantifica as trajetórias de risco; apoia a planificação temporal das despesas de capital (CAPEX) em horizontes de 5 a 30 anos	As curvas de degradação dependem da qualidade dos dados históricos; as previsões pontuais podem induzir em erro	Teste de cenários orçamentais ao nível do portfólio	Previsões pontuais tratadas como certezas
Gémeos digitais para testes de cenários	Simulações hipotéticas de remodelações do revestimento exterior, do sistema de climatização e dos sistemas de controlo antes do início da construção; revelam precocemente os principais fatores que determinam os custos e os riscos	Elevado esforço inicial no caso de edifícios antigos; obstáculos à interoperabilidade e à cibersegurança; frequentemente descritivo, não preditivo	Edifícios com infraestruturas BIM, BMS e IoT já existentes; renovações complexas realizadas por fases	Planeamento de renovações à escala da cidade ou do bairro; previsão precisa do comportamento dos ocupantes
Priorização e descarbonização do portfólio	Agrega dados relativos ao risco e às emissões de carbono ao nível dos ativos em painéis de controlo da carteira; apoia planos de renovação alinhados com as metas de carbono	Continuam a existir lacunas nos dados relativos ao Âmbito 3 e ao carbono incorporado; os resultados têm de ser analisados por especialistas	Carteiras com várias localizações sujeitas a obrigações de reporte regulamentar ou ESG	Seleção de projetos totalmente automatizada, sem revisão por parte da direção

Há dois tipos de erros que se repetem constantemente: dados de entrada de má qualidade e a interpretação de gráficos de tendências como se fossem previsões de risco. Ambos podem ser evitados. É necessário dispor de uma base de dados sólida e ter a disciplina necessária para tratar os resultados do modelo como apoio à tomada de decisões, não é a última palavra.

Portanto, a questão prática para os proprietários norte-americanos é bastante simples: quais as ferramentas que devem fazer parte do plano a curto prazo e quais é que, por enquanto, é melhor deixar de lado?

O que os proprietários e gestores de carteiras norte-americanos devem fazer agora

Começar com limpar os dados dos ativos. Depois, recorra à IA depois de O seu processo de inventário e inspeção está padronizado. Neste momento, as ferramentas que mais ajudam nas decisões de renovação são aquelas que estão associadas a dados de ativos claros e bem estruturados.

Elabore um inventário completo dos ativos que inclua o tipo de ativo, modelo, número de série, idade e localização. Mantenha-o organizado de acordo com um único padrão de classificação, tal como Uniformat II.^[44] Em seguida, padronize as inspeções com formulários digitais, fotografias e pontuação FCI. O Departamento de Defesa dos EUA utiliza pontuações FCI validadas num ciclo de cinco anos e analisa cerca de 20% de ativos por ano.^[45]

Assim que o inventário e as inspeções estiverem definidos, passe à modelação «reparação versus substituição». Utilize modelos de vida útil residual e de risco para classificar as decisões de reparação versus substituição. Em seguida, utilize o EUI, as emissões, o fim de vida útil e a intensidade de carbono da rede elétrica para decidir quais os projetos que devem ser implementados em primeiro lugar no portfólio.^[43]

pode traduzir dados relativos a ativos, riscos, condições, energia e emissões de carbono em cenários plurianuais de CAPEX e OPEX. Isto permite definir o calendário de CAPEX, elaborar planos de renovação alinhados com as metas de carbono e disponibilizar documentação pronta para auditoria em todo o portfólio.

Depois de ter os cenários do portfólio definidos, implemente a manutenção preditiva nas áreas em que o histórico de dados seja sólido. Com base nesses mesmos dados, a manutenção preditiva apoiada por IA pode acrescentar $25 000 a $150 000 em poupanças anuais para um 100 000 pés quadrados edifício comercial.^[41]

A implementação prática pode decorrer ao longo de 12 a 24 meses:

• Limpar o registo de ativos
• Padronizar as inspeções de sistemas de elevada criticidade, como coberturas, sistemas de climatização, instalações elétricas e de segurança
• Implementar modelos de risco de referência num grupo-piloto
• Alargar o planeamento de cenários a todo o portfólio
• Adicione a classificação de defeitos e a deteção de anomalias com base em imagens apenas nos casos em que exista um histórico de dados suficiente

Em seguida, incorpore todos os resultados no planeamento de capital, nos registos de risco, nos relatórios ESG e nos materiais destinados ao conselho de administração. Dessa forma, o planeamento de investimento baseado no risco mantém-se rastreável, em vez de ficar enterrado num painel de controlo da plataforma que ninguém consulta.

FAQs

Que dados preciso de ter antes de utilizar IA ou gémeos digitais?

Antes de implementar a IA ou os gémeos digitais, organize primeiro a camada de dados. Isso significa importar as informações dos ativos para um sistema normalizado em vez de deixar essa informação espalhada por folhas de cálculo, ferramentas de fornecedores e registos antigos.

Comece pelos dados históricos:

• inventários de ativos
• registos de manutenção
• custos recorrentes
• detalhes da garantia
• especificações físicas

Em seguida, adicione dados de telemetria em tempo real, tais como consumo de energia, temperatura, vibração e ocupação.

O objetivo é simples: proporcionar à sua equipa um único local a partir do qual possam trabalhar, com dados que sigam o 5Cs – completo, correto, atualizado, coerente e abrangente.

Em que casos vale a pena investir num gémeo digital para o planeamento de renovações?

Vale a pena investir num gémeo digital quando o planeamento de uma renovação depende da realização de testes complexos e se cenários. Isso inclui aspetos como a reabilitação energética, a coordenação de projetos de investimento com os ciclos de vida útil dos equipamentos ou a ponderação dos objetivos de redução de emissões de carbono face aos limites orçamentais.

Isto é ainda mais importante no caso de carteiras de grande dimensão e com uma estrutura envelhecida. Nesses casos, os métodos simples de classificação podem não ter em conta riscos como prazos de conformidade ou restrições específicas de cada local. Um gémeo digital reúne dados fragmentados num único local, o que ajuda as equipas a tomar decisões de investimento mais baseadas no risco.

Como devo combinar a IA, os modelos de risco e a análise humana?

Utilize uma abordagem estruturada, em que cada parte tenha uma função bem definida.

Começar com dados de ativos centralizados, normalizados e prontos para auditoria. Se os dados estiverem desorganizados, tudo o que se segue fica rapidamente instável.

Em seguida, utilize IA e modelos de risco para analisar grandes conjuntos de dados e modelar o envelhecimento dos ativos, a manutenção e os cenários de emissões de carbono. É aqui que os padrões começam a revelar-se em grande escala.

Por fim, adicione revisão humana para verificar os resultados, ter em conta os limites do dia-a-dia, como a ocupação ou o orçamento, e definir prioridades de investimento. Este último passo é importante. Os dados podem indicar-lhe o caminho certo, mas as pessoas continuam a ter de avaliar o que funciona na prática.

Isto ajuda a manter as decisões orientado por dados, baseado no risco e alinhado com os objetivos da organização.

Publicações do blogue relacionadas

• Gémeos digitais para a sustentabilidade: Simular cenários antes de investir
• IA para o planeamento do investimento em activos: Onde é que ela cria efetivamente valor
• Como é que a IA pode ajudar a definir prioridades para a renovação de infra-estruturas envelhecidas com restrições orçamentais
• A IA pode ajudar a identificar os edifícios com pior desempenho antes dos grandes programas de reabilitação?