Enriquecimento semântico para simulações de desempenho energético de edifícios baseadas em BIM usando similaridade textual semântica e ajuste fino de LLM multilíngues

Para atingir as metas globais do Acordo de Paris de limitar o aquecimento global, é necessário reduzir a energia operacional dos edifícios, que são responsáveis por cerca de 30% das emissões globais de gases de efeito estufa. A Simulação de Desempenho Energético de Edificações (BEPS) é um método estabelecido para estimar a demanda de energia do edifício nas fases iniciais de design. Modelos de Informação de Edificações (BIM) fornecem informações geométricas e semânticas para criar Modelos de Energia de Edificações (BEM) precisos nas fases iniciais de design. No entanto, o enriquecimento manual de informações semânticas faltantes ainda é um processo demorado e laborioso. Portanto, propomos uma nova metodologia para enriquecer automaticamente informações faltantes no BIM usando Similaridade Textual Semântica (STS) e Modelos de Linguagem de Grande Escala (LLM) ajustados. Para cada IfcSpace, emparelhamos tipos de espaço específicos de sala e construções com propriedades térmicas faltantes usando os pares mais semelhantes semanticamente do modelo BIM e os bancos de dados correspondentes. Utilizamos três estudos de caso do mundo real para ajustar os LLMs, e dois estudos de caso avaliam toda a metodologia. Diferentes estratégias de ajuste fino, como o uso de diferentes funções de perda, adição de pares de palavras opostas ou abreviações específicas de domínio, melhoram significativamente a precisão do emparelhamento. Ao mesmo tempo, no entanto, os resultados mostram que o emparelhamento semântico baseado em LLMs multilíngues ajustados tem desempenho pior do que LLMs ajustados monolingualmente traduzidos. Finalmente, os resultados da BEPS de BEM enriquecido automaticamente se desviam apenas ligeiramente dos BEM enriquecidos manualmente.