Auto-organizar edifícios no planejamento urbano com DQN

Por que disposições de edifícios mais inteligentes importam

À medida que as cidades crescem em altura e densidade, fica mais difícil garantir que janelas de apartamentos continuem a receber sol e que torres fiquem espaçadas com segurança. Projetistas urbanos normalmente equilibram essas demandas manualmente, executando simulações computacionais lentas e ajustando layouts repetidas vezes. Este estudo apresenta um sistema de inteligência artificial (IA) que pode organizar automaticamente edifícios de grande altura em um terreno de modo que residências recebam luz solar suficiente no inverno e torres mantenham distâncias de segurança entre si, potencialmente economizando um tempo enorme para os planejadores e melhorando a habitabilidade em cidades densas.

Crescimento urbano e a pressão da luz solar

A urbanização rápida, especialmente em megacidades como Pequim e Xangai, aproxima os edifícios e os eleva mais alto no céu. Ainda assim, normas nacionais na China exigem que as residências recebam uma quantidade mínima de insolação em dias do meio do inverno e que edifícios altos sejam separados por distâncias de segurança específicas. Hoje, arquitetos usam softwares profissionais de projeto para atender a essas regras: desenham pegadas de edifícios, executam simulações detalhadas de luz solar e movem torres até que tanto os limites de insolação quanto de espaçamento sejam cumpridos. Esse processo depende fortemente da experiência de especialistas e de muitas rodadas de tentativa e erro, o que o torna lento e difícil de escalar quando muitos lotes e alternativas de projeto precisam ser testados.

Treinando uma rede neural para prever insolação

Um grande obstáculo para automatizar esse trabalho é que simulações precisas de luz solar são computacionalmente caras. Para contornar isso, os pesquisadores primeiro treinaram um tipo especial de rede neural, chamado autoencoder convolucional, para atuar como um “substituto” rápido da ferramenta de simulação. Eles geraram mais de mil layouts de exemplo no Autodesk Revit para as condições de meio do inverno em Pequim e registraram, para cada ponto do terreno, quantos minutos de sol recebeu ao longo do dia. Esses mapas de insolação foram convertidos em imagens em tons de cinza e emparelhados com imagens simples que representavam alturas e pegadas dos edifícios. A IA aprendeu a traduzir uma imagem de layout de edifícios em sua correspondente imagem de insolação, alcançando erros médios inferiores a três minutos de sol por ponto enquanto rodava cerca de cem vezes mais rápido que a simulação original.

Perguntando a um agente de IA onde posicionar edifícios passo a passo

Com um preditor de insolação rápido em mãos, a equipe atacou o problema mais difícil: decidir automaticamente onde colocar cada edifício. Eles enquadraram isso como um jogo passo a passo para um agente de aprendizado. Partindo de um lote vazio, o agente posiciona um edifício de cada vez e pode movê-lo para cima, baixo, esquerda ou direita em uma grade. Após cada movimento, a rede neural rápida estima a insolação, e o sistema calcula o quão próximo o edifício está dos vizinhos e das fronteiras do terreno. O agente recebe uma recompensa quando encontra uma posição que satisfaz tanto o requisito mínimo de insolação nas janelas voltadas ao sul quanto a exigência mínima de distância entre edifícios, e é penalizado por sobreposições ou espaçamentos apertados. Ao longo de muitas tentativas simuladas, uma Deep Q-Network — um método comum de aprendizado por reforço — aprende uma estratégia que conduz de forma consistente a layouts válidos e eficientes.

Como o sistema se sai em comparação com outros métodos

Os pesquisadores testaram sua abordagem em dezenas de lotes diferentes contendo entre cinco e doze edifícios e compararam com três referências: posicionamento aleatório, uma estratégia gananciosa simples e um algoritmo genético. O posicionamento aleatório raramente produziu projetos viáveis, e mesmo a heurística adaptada e a busca evolutiva ficaram atrás do agente de aprendizado. O sistema de IA alcançou 100% de taxa de sucesso na geração de layouts que cumpriam tanto as regras de insolação quanto as de distância, precisou de menos movimentos por edifício e arranjou torres de forma mais compacta sem sacrificar o acesso à luz. Em média, seus layouts ofereceram durações de sol mais longas nas janelas do térreo do que as alternativas, e um arranjo completo para um lote podia ser gerado em apenas alguns segundos, tornando viável a exploração em grande escala de opções para tarefas cotidianas de planejamento.

O que isso significa para o futuro do desenho urbano

Em essência, o estudo mostra que combinar um modelo aprendido rápido de insolação com um tomador de decisões baseado em aprendizado pode dispor edifícios de forma confiável para satisfazer restrições regulatórias rigorosas enquanto usa a terra de forma eficiente. Embora a ferramenta atual foque apenas no sol de inverno e no espaçamento de segurança — e esteja ajustada ao clima de Pequim — ela já funciona como um protótipo poderoso: planejadores podem inserir um conjunto de edifícios candidatos e obter várias sugestões de layouts conformes quase instantaneamente. Versões futuras poderiam estender a mesma ideia para incluir vento, vistas, ruído ou regras locais de outras cidades, transformando o arranjo de edifícios de um ofício manual lento em uma parceria interativa entre projetistas humanos e assistentes de IA.

Citação: Lin, P., Shi, G., Hu, C. et al. Auto-arrange buildings in urban planning with DQN. Sci Rep 16, 11406 (2026). https://doi.org/10.1038/s41598-026-40788-w

Palavras-chave: IA para planejamento urbano, disposição de edifícios, otimização da luz solar, aprendizado por reforço, modelos generativos