MODELOS DE INTELIGÊNCIA ARTIFICIAL GENERATIVA APLICADOS ÀS ESTRUTURAS DE AÇO: UMA REVISÃO SISTEMÁTICA DA LITERATURA
Resumo
O crescente interesse na automação do processo em projetos estruturais impulsionou a aplicação de modelos de inteligência artificial generativa, a tarefas como geração de layouts, apoio à documentação técnica e síntese de artefatos de projeto. Todavia, apesar do avanço científico observado nos últimos anos, as estruturas de aço configuram um campo ainda pouco explorado, inexistindo uma revisão sistemática consolidada que mapeie as arquiteturas empregadas, as tarefas abordadas e as lacunas persistentes nesse domínio específico. Este trabalho tem como objetivo realizar uma revisão sistemática da literatura sobre a aplicação de modelos generativos de inteligência artificial ao projeto de estruturas de aço, conduzida segundo o protocolo de Kitchenham (2004) e Kitchenham e Charters (2007). As bases consultadas foram IEEE Xplore, ScienceDirect, Scopus, SpringerLink e o Portal de Periódicos CAPES, com recorte temporal de 2019 a 30 de abril de 2026. 895 artigos foram identificados inicialmente, resultando em 12 estudos incluídos após aplicação dos critérios de elegibilidade e qualidade. Os resultados evidenciam uma produção científica ainda incipiente e concentrada na tarefa de geração de layouts, com escassez expressiva de estudos focado no domínio das estruturas de aço de maneira ampla. Conclui-se que o campo carece de uma exploração mais aprofundada de tipologias estruturais, morfológicas de conexões estruturais metálicas e incorporação de especificações nos produtos sintéticos.
Biografia do Autor
Graduado em Engenharia Civil pela Universidade Federal do Paraná (UFPR). Mestrando pelo Programa de Pós-Graduação em Engenharia Civil da UFPR.
Doutor em Métodos Numéricos em Engenharia pela Universidade Federal do Paraná (2011). Professor Associado do Departamento de Construção Civil da UFPR. Professor permanente do Programa de Pós-Graduação em Engenharia Civil da UFPR e membro do CESEC/UFPR.
Referências
AZIZ, MD. T. et al. State-of-the-art artificial intelligence techniques in structural engineering: a review of applications and prospects. Results in Engineering, v. 28, p. 107882, out. 2025. Disponível em: https://doi.org/10.1016/j.rineng.2025.107882 Acesso em: 04 mar. 2026.
BROCK, A.; DONAHUE, J.; SIMONYAN, K. Large scale GAN training for high fidelity natural image synthesis. arXiv, 2018. Disponível em: https://arxiv.org/abs/1809.11096 Acesso em: 04 mar. 2026.
DU, W. et al. 3D solid model generation method based on a generative adversarial network. Applied Intelligence, v. 53, n. 13, p. 17035–17060, 2023. Disponível em: https://www.scopus.com/pages/publications/85144549278?origin=resultslist Acesso em: 30 abr. 2026.
FU, B.; GAO, Y.; WANG, W. Dual generative adversarial networks for automated component layout design of steel frame-brace structures. Automation in Construction, v. 146, 2023. Disponível em: https://www.scopus.com/pages/publications/85142721960?origin=resultslist Acesso em: 30 abr. 2026.
FU, B.; WANG, W.; GAO, Y. Physical rule-guided generative adversarial network for automated structural layout design of steel frame-brace structures. Journal of Building Engineering, v. 86, 2024. Disponível em: https://www.scopus.com/pages/publications/85186519557?origin=resultslist Acesso em: 30 abr. 2026.
GAO, S. et al. Axial compression behavior of steel tubular members with simulated splashing corrosion. Structures, v. 80, 2025. Disponível em: https://www.scopus.com/pages/publications/105012959472?origin=resultslist Acesso em: 30 abr. 2026.
GOODFELLOW, I. et al. Generative adversarial nets. In: Advances in Neural Information Processing Systems. [S.l.: s.n.], 2014. v. 27, p. 2672–2680. Disponível em: https://dl.acm.org/doi/10.5555/2969033.2969125 Acesso em: 27 abr. 2026.
HAN, Y. et al. Generation of innovative structural connection components using generative adversarial networks. Advanced Engineering Informatics, v. 68, 2025. Disponível em: https://www.scopus.com/pages/publications/105009655457?origin=resultslist Acesso em: 30 abr. 2026.
HO, J.; JAIN, A.; ABBEEL, P. Denoising diffusion probabilistic models. In: Advances in Neural Information Processing Systems. [S.l.: s.n.], 2020. v. 33, p. 6840–6851. Disponível em: https://dl.acm.org/doi/abs/10.5555/3495724.3496298 Acesso em: 27 abr. 2026.
KARRAS, T.; LAINE, S.; AILA, T. A style-based generator architecture for generative adversarial networks. arXiv, 2018. Disponível em: https://arxiv.org/abs/1812.04948 Acesso em: 04 mar. 2026.
KITCHENHAM, B. Procedures for performing systematic reviews. Keele: Keele University, 2004. Relatório Técnico TR/SE-0401. Disponível em: https://www.inf.ufsc.br/~aldo.vw/kitchenham.pdf Acesso em: 27 abr. 2026.
KITCHENHAM, B.; CHARTERS, S. Guidelines for performing systematic literature reviews in software engineering. [S.l.]: Keele University; University of Durham, 2007. Relatório Técnico EBSE-2007-01. Acesso em: 27 abr. 2026.
LI, J. et al. FrameDiffusion: a latent diffusion model for intelligent layout design of steel frame-braced structures. Engineering Structures, v. 343, 2025. Disponível em: https://www.scopus.com/pages/publications/105014216066?origin=resultslist Acesso em: 30 abr. 2026.
LIAO, W. et al. Generative AI design for building structures. Automation in Construction, v. 157, n. 1, p. 105187, jan. 2024. Disponível em: https://doi.org/10.1016/j.autcon.2023.105187 Acesso em: 04 mar. 2026.
LU, N. et al. A small-sample fatigue life prediction framework for welded joints in orthotropic steel decks using data augmentation and CNN-based feature learning. Ocean Engineering, v. 341, 2025. Disponível em: https://www.scopus.com/pages/publications/105015038642?origin=resultslist Acesso em: 30 abr. 2026.
MOU, B.; CHEN, H.; FU, Y. An effective design method of high-strength steel columns with limited datasets using physics-guided conditional tabular GAN. Engineering Structures, v. 340, 2025. Disponível em: https://www.scopus.com/pages/publications/105007413497?origin=resultslist Acesso em: 30 abr. 2026.
SIRRIYEH, R. et al. Reviewing studies with diverse designs: the development and evaluation of a new tool. Journal of Evaluation in Clinical Practice, v. 18, n. 4, p. 746–752, 2012. Acesso em: 27 abr. 2026.
WU, Y. et al. Bond capacity and recover stress of Fe-SMA–steel joints: numerical, theoretical, and machine learning study. Construction and Building Materials, v. 494, 2025. Disponível em: https://www.scopus.com/pages/publications/105015145523?origin=resultslist Acesso em: 30 abr. 2026.
WU, Z. et al. A comprehensive study on graph neural networks. IEEE Transactions on Neural Networks and Learning Systems, v. 32, n. 1, p. 4–24, 2020. Disponível em: https://ieeexplore.ieee.org/document/9046288 Acesso em: 28 abr. 2026.
YU, M.; LI, S.; XIE, X. Machine learning for ULCF life prediction of structural steels with synthetic data. Journal of Constructional Steel Research, v. 224, 2025. Disponível em: https://www.scopus.com/pages/publications/85208916446?origin=resultslist Acesso em: 30 abr. 2026.
ZHAO, P. et al. Intelligent beam layout design for frame structure based on graph neural networks. Journal of Building Engineering, v. 63, p. 105499, 2023. Disponível em: https://www.sciencedirect.com/science/article/pii/S2352710222015054 Acesso em: 30 abr. 2026.
ZUO, W. et al. Physics-informed data augmentation and explainable machine learning for parametric design of stainless steel columns. Advanced Engineering Informatics, v. 73, p. 104581, 2026. Disponível em: https://www.sciencedirect.com/science/article/pii/S1474034626002739 Acesso em: 30 abr. 2026.
Licença
Copyright (c) 2026 RECIMA21 - Revista Científica Multidisciplinar - ISSN 2675-6218
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Os direitos autorais dos artigos/resenhas/TCCs publicados pertecem à revista RECIMA21, e seguem o padrão Creative Commons (CC BY 4.0), permitindo a cópia ou reprodução, desde que cite a fonte e respeite os direitos dos autores e contenham menção aos mesmos nos créditos. Toda e qualquer obra publicada na revista, seu conteúdo é de responsabilidade dos autores, cabendo a RECIMA21 apenas ser o veículo de divulgação, seguindo os padrões nacionais e internacionais de publicação.