Processamento de Linguagem Natural na indústria AEC: uma abordagem para tradução de regulamentos edilícios brasileiros para o domínio BIM
DOI:
https://doi.org/10.46421/sbtic.v3i00.613Palavras-chave:
Modelagem da Informação da Construção, BIM, Verificação Automatizada de Regras, Processamento de Linguagem Natural, PLNResumo
A Modelagem da Informação da Construção (BIM) permite ampla geração, armazenagem e manipulação de informação sobre as edificações, abrindo caminhos para maior integração entre áreas do conhecimento. A evolução do entendimento sobre PLN contribui para relacionar as regulamentações edilícias e aplicativos BIM, fundamentando sistemas computacionais para a verificação automática de conformidade com regras de edificação. Abordando um dos três elementos essenciais de sistemas de verificação automática de regras, a geração de regras computáveis, através da PLN, este trabalho espera contribuir em direção à efetividade desses sistemas no contexto brasileiro.
Downloads
Referências
ALMEIDA, W. R. d. PORTSERVICE-BR: Uma plataforma para processamento de linguagem natural para língua portuguesa. Dissertação (Mestrado em Informática). Vitória, 2017.
ALUÍSIO, S. et al. An Account of the Challenge of Tagging a Reference Corpus for Brazilian Portuguese. In: PARDO, T. A. S.; RINO, L. H. M.; NUNES, M. d. G. V. (Org.). GistSumm: A summarization tool based on a new extractive method, Heidelberger: Springer, 2003. p. 210-218 (Lecture Notes in Computer Science. p. 110–117.
BIRD, S.; KLEIN, E.; LOPER, E. Natural language processing with Python. Cambridge. O'Reilly, 2009.
CHERPAS, C. Natural language processing, pragmatics, and verbal behavior. The Analysis of verbal behavior v. 10, p. 135–147, 1992.
EASTMAN, C. et al. Manual de BIM: Um guia de modelagem da informação da construção para arquitetos, engenheiros, gerentes, construtores e incorporadores. Porto Alegre. Bookman, 2014.
FONSECA, E. R.; ROSA, J. L. G.; ALUÍSIO, S. M. Evaluating word embeddings and a revised corpus for part-of-speech tagging in Portuguese. Journal of the Brazilian Computer Society v. 21, n. 1, p. 110, 2015.
FONSECA, E. R.; ROSA, J. L. G. Mac-Morpho revisited: Towards robust part-of-speech tagging. Proceedings of the 9th Brazilian Symposium in Information and Human Language Technology. p. 98–107. Porto Alegre, 2013.
INSTITUTO DE CIÊNCIAS MATEMÁTICAS E DE COMPUTAÇÃO ICMC - USP. Manual Mac-Morpho v10. 2003. Disponível em: <http://nilc.icmc.usp.br/macmorpho/macmorpho-manual.pdf>. Acesso em: 17 jun. 2020.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 10303-11:2004. Disponível em: <https://www.iso.org/standard/38047.html>. Acesso em: 6 mar. 2021.
IVANOV, G.-B. Complete guide for training your own POS tagger with NLTK & Scikit-Learn. 2016. Disponível em: <https://nlpforhackers.io/training-pos-tagger/>. Acesso em: 16 jun. 2020.
KHEMLANI, L. Automating Code Compliance in AEC. AECbytes Feature: Automating Code Compliance in AEC. 2015. Disponível em: <http://www.aecbytes.com/feature/2015/AutomatingCodeCompliance.html>. Acesso em: 11 ago. 2019.
LADEIRA, A. P. Processamento de linguagem natural: caracterização da produção científica dos pesquisadores brasileiros. Tese (Doutorado em Ciência da Informação). Belo Horizonte, 2010.
NAWARI, N. O. A Generalized Adaptive Framework (GAF) for Automating Code Compliance Checking. Buildings v. 9, n. 4, p. 86, 2019.
PEDREGOSA, F. et al. Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research v. 12, n. 85, p. 2825–2830, 2011.
POLÍCIA MILITAR DO ESTADO DE SÃO PAULO. Instrução Técnica nº 11/2018: Saídas de emergência. São Paulo. Corpo de Bombeiros, 2018.
SÃO PAULO (Cidade). Decreto nº 57.776, de 7 de julho de 2017, São Paulo, 2017.
SÃO PAULO (Cidade). Lei nº 16.642, de 9 de maio de 2017, São Paulo, 2017.
SCIKIT-LEARN PROJECT. Scikit learn: Decision Trees. c2020. Disponível em: <https://scikit-learn.org/stable/modules/tree.html>. Acesso em: 6 mar. 2021.
ZHANG, J.; EL-GOHARY, N. M. Integrating semantic NLP and logic reasoning into a unified system for fully-automated code checking. Automation in Construction v. 73, p. 45–57, 2017.
ZHANG, J.; EL-GOHARY, N. M. Semantic NLP-Based Information Extraction from Construction Regulatory Documents for Automated Compliance Checking. Journal of Computing in Civil Engineering v. 30, n. 2, p. 4015014, 2016.
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2021 SIMPÓSIO BRASILEIRO DE TECNOLOGIA DA INFORMAÇÃO E COMUNICAÇÃO NA CONSTRUÇÃO
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Adota-se Atribuição 4.0 Internacional (CC BY 4.0). Ver detalhamento em https://creativecommons.org/licenses/by/4.0/deed.pt_BR
