Reduzindo o fpk na Alvenaria Estrutural: Ponderadores de Carga e Redução de Sobrecarga no TQS

Ao dimensionar um edifício em alvenaria estrutural, o fpk (resistência característica à compressão do prisma) é o parâmetro que define diretamente o custo do bloco. Um fpk menor significa blocos mais baratos, logística mais simples e, em muitos casos, a viabilidade do próprio empreendimento.

Neste artigo, mostramos como dois ajustes normativos — correção dos coeficientes de ponderação Psi e redução de cargas variáveis da NBR 6120:2019 — impactam o dimensionamento real de um edifício de 17 pavimentos processado no TQS Alvest.

O projeto de estudo

17 pisos (Tipo 1 ao 3, Tipo 4 ao 7, Tipo 8 ao 10, Tipo 11 ao 13, Tipo 14, Rooftop e Reservatórios)
Alvenaria estrutural com blocos vazados de concreto, espessura 14 cm
40 subestruturas por pavimento
Altura total de 49,70 m
Vento: V0 = 33 m/s, Categoria IV, Classe B

Modelos analisados

Modelo	Descrição
Original	Critérios default do TQS
Psis	Coeficientes Psi corrigidos conforme NBR 8681
RedSobrec	Psis corrigidos + Redução de sobrecarga conforme NBR 6120:2019

Ajuste 1: Coeficientes de ponderação Psi

O que são os coeficientes Psi

Os coeficientes Psi (Ψ₀, Ψ₁ e Ψ₂) definem como as ações variáveis participam das combinações de carregamento:

Ψ₀ — Fator de combinação (ELU)
Ψ₁ — Fator frequente (ELS-Fr)
Ψ₂ — Fator quase-permanente (ELS-QP)

O problema: valores default do TQS

Coeficiente	Default TQS	Norma (NBR 8681)
Ψ₀ (ELU)	0,8	0,5
Ψ₁ (ELS-Fr)	0,7	0,4
Ψ₂ (ELS-QP)	0,6	0,3

Critérios default do TQS

Critérios corrigidos Psi

Impacto no dimensionamento

A correção dos Psi não altera as cargas verticais nem a tensão de compressão pura (falv,c). O que muda é a participação da carga acidental nas combinações com vento, alterando o equilíbrio entre compressão e flexão — e consequentemente o fpk necessário.

Ajuste 2: Redução de cargas variáveis (NBR 6120:2019, item 6.12)

Fundamentação normativa

A NBR 6120:2019 permite reduzir as cargas variáveis quando há pisos adjacentes com mesmo tipo de uso. O princípio é estatístico: a probabilidade de todos os pavimentos estarem simultaneamente carregados diminui conforme o número de pisos aumenta.

Aplicação no TQS

Pisos	Redutor	Pavimento
12	0,00	Tipo 11 ao 13
11	0,20	Tipo 11 ao 13
10	0,40	Tipo 8 ao 10
09	0,60	Tipo 8 ao 10
01–08	0,60	Tipo 1 ao 10

Tabela redutores TQS

Impacto no dimensionamento

A redução de sobrecarga diminui diretamente a carga vertical acumulada, reduzindo tanto a tensão de compressão (falv,c) quanto o fpk necessário.

Resultados comparativos

Comparação modelos TQS

Resumo geral

Modelo	falv,c médio	falv,c máx	fpk médio	fpk máx	Δ falv,c	Δ fpk
Original	219,0	299,8	1151,9	1489,0	—	—
Psis	219,0	299,8	1122,2	1416,9	0,0%	-2,6%
Psis + RedSobrec	205,8	269,5	1074,9	1367,7	-6,0%	-6,7%

Conclusão

A simples conferência de dois parâmetros de carregamento — coeficientes Psi e redução de sobrecarga — pode gerar uma economia de quase 7% no fpk de dimensionamento sem qualquer alteração na geometria ou detalhamento do projeto.

Para edifícios altos em alvenaria estrutural, onde o fpk dos pisos inferiores governa a especificação dos blocos, essa diferença é significativa.

Estudo realizado pela equipe BRGT Estruturas utilizando o TQS Alvest V25 e ferramentas internas desenvolvidas em Python.

Gostou do conteúdo? Nos siga nas redes sociais e não perca nenhuma novidade!!

Testei 6 combinações de LLMs para um bot corporativo de busca. O resultado me surpreendeu.

O problema

Aqui na BRGT Engenharia lidamos todos os dias com uma grande quantidade de arquivos: propostas comerciais, projetos estruturais, planilhas de orçamento, plantas DWG, relatórios de sondagem, contratos e até scripts de automação.

O problema era simples (e comum em qualquer empresa):
a informação existia, mas encontrar rápido era difícil.

A solução que criamos foi um bot no Telegram com inteligência artificial que indexa os arquivos do servidor e responde perguntas em linguagem natural.

Exemplo real:

“Qual foi o valor do orçamento da última proposta?”

O bot busca nos arquivos, interpreta e responde.

Como o sistema funciona (arquitetura RAG)

O sistema usa uma arquitetura RAG (Retrieval-Augmented Generation) com duas etapas de LLM:

1. Extração de termos
O modelo converte a pergunta do usuário em palavras-chave otimizadas para busca.

2. Geração de resposta
Outro modelo recebe os arquivos encontrados como contexto e gera a resposta final.

A grande dúvida era:

Qual combinação de modelos usar?
Um modelo caro?
Um modelo local gratuito?
Um modelo barato na nuvem?

Para evitar achismo, rodamos 6 benchmarks sistemáticos.

Metodologia

Avaliação automatizada

Todos os testes seguiram o mesmo processo:

10 consultas reais simulando o uso diário
Avaliação automática em 5 critérios:
- Precisão
- Completude
- Relevância
- Clareza
- Utilidade
Uma resposta de referência considerada nota 10

Tudo comparado de forma objetiva.

Nota metodológica importante

Todas as notas apresentadas são relativas a uma resposta de referência avaliada automaticamente pelo modelo mais avançado disponível no dia do teste: OpenAI GPT-5.2.
Isso garante padronização, consistência e comparação objetiva entre os benchmarks.

Modelos testados

Modelo	Tipo	Custo input (1M tokens)	Custo output (1M tokens)
GPT-5.2	API	$1,25	$10,00
GPT-5-mini	API	$0,25	$2,00
GPT-5-nano	API	$0,05	$0,40
GPT-4o-mini	API	$0,15	$0,60
Ollama qwen2.5:7b	Local	Grátis	Grátis

O índice continha cerca de 1.100 arquivos com busca full-text.

Benchmark 1 — Local vs Nuvem

Pergunta: modelo local compete com API?

Modelo	Nota	Tempo médio
GPT-4o-mini	5,4	2,0 s
Ollama qwen2.5:7b	4,4	6,1 s

Insight importante:

O problema não era só o modelo — era usar o mesmo modelo fraco para extrair termos e responder.

Benchmark 2 — Usando modelos diferentes para cada etapa

Combinação (extração + resposta)	Nota	Tempo
4o-mini + 5.2	7,3	7,2 s
Ollama + 5.2	6,5	8,0 s
5.2 + 4o-mini	6,1	2,4 s
5.2 + Ollama	5,9	7,1 s
4o-mini + 4o-mini	5,2	2,5 s
4o-mini + Ollama	4,6	7,0 s
Ollama + 4o-mini	4,3	4,1 s
Ollama + Ollama	3,9	8,1 s

Insight:

O modelo de resposta impacta muito mais na qualidade final do que o de extração.

Benchmark 3 — Família GPT-5

Combinação	Nota	Custo (10 consultas)
5.2 + 5-nano	8,0	$0,03
5.2 + 5-mini	7,5	$0,08
5-nano + 5.2	6,6	$0,48
5-mini + 5.2	6,3	$0,48
5-nano + 5-mini	6,2	$0,01
5-mini + 5-nano	6,2	$0,01
5-mini + 5-mini	6,1	$0,08
5-nano + 5-nano	5,9	$0,01

Conclusão:

Modelo forte para extrair + modelo barato para responder manteve alta qualidade com custo baixíssimo.

⚠️ Descoberta Crítica:

Modelos menores e mais baratos retornaram string vazia na etapa de extração de termos em múltiplos testes.
A tarefa parece simples, mas exige capacidade de raciocínio que modelos compactos ainda não entregam com confiabilidade.

Benchmark 4 — Variação do prompt do sistema

Prompt	Nota	Descrição
Especialista técnico	7,9	Persona de engenheiro civil sênior
Original	7,3	Genérico
Detalhado	7,2	Contexto da empresa
Passo-a-passo	7,1	Raciocínio guiado
Anti-alucinação	6,0	Regras rígidas

Prompts muito restritivos pioraram o resultado.

Benchmark 5 — Prompt de extração

Tipo	Nota	Observação
Categorizado	7,6	Separação por tipo
Original	7,5	Simples
Expansão semântica	6,7	Sinônimos técnicos
Contextualizado	6,4	Regras anti-genérico
Few-shot	6,4	Exemplos

Conclusão:

Prompt simples funciona.

⚠️ Descoberta Crítica:

Prompts excessivamente restritivos (anti-alucinação) reduziram a utilidade das respostas.
Ao tentar impedir qualquer risco de erro, o modelo passou a responder de forma curta, vaga e pouco prática.

Benchmark 6 — Comparação final de modelos de resposta

Modelo	Nota	Custo (10 consultas)	Tempo
GPT-5.2	8,6	$0,318	5,7 s
GPT-5-nano	7,7	$0,0108	17,2 s
GPT-4o-mini	6,6	$0,0079	1,6 s
Ollama	5,9	Grátis	10 s

O modelo econômico entregou cerca de 90% da qualidade por 3% do custo.

Configuração final (produção)

Etapa	Escolha
Extração	Modelo robusto (5.2)
Resposta	Modelo econômico (5.2 nano)
Prompt	Persona técnica
Extração	Simples e direto

Projeção de custos

Uso	Consultas/dia	Custo mensal
Leve	5	~R$ 0,70
Moderado	10	~R$ 1,40
Intenso	50	~R$ 6,90
Pesado	100	~R$ 13,80

O que aprendemos

Separe extração e resposta
O modelo de resposta pesa mais
Modelos baratos não extraem bem termos
Persona técnica melhora respostas
Anti-alucinação excessiva piora
Prompt complexo atrapalha
Local nem sempre compensa

Arquitetura final (resumo simples)

Usuário pergunta no Telegram →
Modelo extrai palavras-chave →
Busca nos arquivos →
Modelo gera resposta →
Resposta enviada.

Simples, rápido e barato.

Código aberto?

O sistema está em produção na BRGT Engenharia.

Os scripts de benchmark podem ser compartilhados para quem quiser implementar.

Stack:

Python
Telegram Bot
OpenAI API
SQLite
Leitura de PDF, DWG e planilhas

Versão técnica completa

A versão completa do benchmark, com todos os dados, tabelas detalhadas e análises técnicas aprofundadas, está disponível aqui:

👉 Acessar versão técnica completa do benchmark

Gostou do conteúdo? Nos siga nas redes sociais e acompanhe nossos próximos posts.

Estudo de caso – Comparativo entre laje de 10 e 12 cm no custo global

Quando um cliente nos pede para analisar custos, uma das primeiras perguntas que surgem é sobre a espessura das lajes. A lógica parece simples: “Se eu diminuir a laje de 12cm para 10cm, vou precisar de mais aço pra combater esses esforços, certo?”

A resposta é: sim, mas…

Uma análise de engenharia nunca pode parar no elemento isolado. Um projeto estrutural é um sistema complexo onde tudo está interligado. A “economia” em um ponto pode facilmente se transformar em um custo extra em outro.

Para demonstrar isso, foi-se realizado um estudo comparativo em um projeto real, analisando o custo global da estrutura em dois cenários:

Cenário 1: Todas as lajes com 10cm
Cenário 2: Todas as lajes com 12cm

Os custos dos materiais, fck (C40) e dimensões de vigas e pilares foram mantidos. O que mudou foi apenas a espessura da laje.

Análise 1: A “Economia Local” (Olhando só a Laje)

Se o nosso trabalho dependesse somente de um estudo localizado olhando o elemento principal, os nossos resultados seriam mostrados em algo parecido com a tabela “Custos Lajes”:

Ao reduzir a espessura para 10cm teríamos uma redução no custo do concreto, mas teríamos um aumento de 8,34% no custo do aço utilizado nas lajes. Mas por que a laje com espessura menor teve um maior consumo de aço? Isso se dá pelo fato de que uma laje de 10cm tem menos concreto útil que uma laje de 12, resultando em uma área de aço necessária maior. A versão com laje de 12 é mais barata pois a economia no aço é maior do que o aumento do custo do concreto.

Resposta 1: Laje de 12 é mais econômica.

Análise 2: A “Verdade Global” (O Impacto do consumo de concreto)

Mas não podemos esquecer de um detalhe, uma estrutura de concreto armado nunca deve ser avaliada de forma local, precisamos avaliar o contexto inteiro. Para fazer uma análise mais globalizada, iremos observar a tabela de consumo de concreto e aço deste edifício:

Observa-se que apesar do consumo de aço da estrutura ser 0,09% menor quando se utiliza laje de 12cm, o volume de concreto fica em torno de 7,85% maior. Mas o que isso implicaria na prática? É melhor economizar no aço ou no concreto? Tendo esses questionamentos em mente, foi-se realizado um estudo no custo global desta obra para termos certeza da melhor escolha para o cliente.

Dessa maneira, nota-se que para este estudo, a utilização de lajes de 10cm de altura seria vantajoso para este cliente. Apesar da obra ficar 0,15% mais cara se olhássemos somente o aço a ser consumido, há uma economia de 7,85% no valor do concreto. Mas por que com a laje de 10 o consumo de aço global tem essa pouca diferença, se no estudo local a diferença era maior? A resposta é que a laje de 10 tem um peso próprio menor, que acumulado em 27 andares traz economia para vigas e pilares. Este fato somado à economia de concreto acumulada em todos os andares resulta na seguinte conclusão:

Resposta 2: Laje de 10 é mais econômica.

Esta é a lição mais importante: É preciso analisar todos os parâmetros de um projeto para saber seu real custo-benefício e as melhores escolhas.

Conclusão

Analisando o custo global da obra com quantitativos de concreto e aço simultâneamente, temos os seguintes valores:

Custo Total da Estrutura (Laje 10): R$ 3.830.323,98
Custo Total da Estrutura (Laje 12): R$ 3.962.818,78

Mesmo com a diferença de aço não sendo tão significante, o estudo de aço junto ao concreto nos deu a diferença final de R$ 132.494,80, o que representa uma economia global de 3,34%.

Isso nos mostra que uma decisão estrutural nunca deve ser tomada olhando para uma “foto” (só a volume de aço), mas sim para o “filme” (a estrutura inteira). Assim, podendo economizar aproximadamente 130 mil reais neste empreendimento, o que é um bom resultado e somente UM dos estudos realizados para este empreendimento.

O que você achou deste resultado? Deseja ver mais informações sobre como economizar em sua obra? Deixe seu comentário!