AI-Driven Solutions for Greening the Built Environment: Integrating Circular Economy, Smart Technologies, and Resilience

 

Find below the 19-chapter structure of this newly published Elsevier book, bringing together international contributions from authors affiliated with institutions across 13 countries.

https://www.amazon.com.br/AI-Driven-Solutions-Greening-Built-Environment-ebook/dp/B0H4YXVX2L

Chapter 1. Artificial intelligence transforming low-carbon buildings into engines of innovation and youth employment

1.1 An unavoidable climate emergency
1.2 Harnessing AI for a sustainable built environment
1.3 AI rewiring the built environment into a startup engine
1.4 Conclusions
1.5 Outline of the book
Acknowledgments
References

Part 1 — Leveraging AI for a circular economy

Chapter 2. Advancing circular construction through artificial intelligence: A multilayered approach integrated within Royal Institute of British Architects plan of work

2.1 Introduction
2.2 Lifecycle approach for AI-supported circular construction
2.3 Integrating AI-driven circular construction within the Royal Institute of British Architects and layers framework
2.4 Discussion
2.5 Conclusion
References

Chapter 3. An AI-integrated approach to reducing environmental footprints in construction and demolition

3.1 Introduction
3.2 Research methodology
3.3 Model development
3.4 Results
3.5 Discussion
3.6 Conclusion
CRediT authorship contribution statement
Declaration of competing interest
Acknowledgments
Data availability statement
References

Chapter 4. Materials passport to enhance circular economy in residential buildings

4.1 Introduction
4.2 Design and implementation of material passports in residential construction
4.3 Data mining and AI integration potential
4.4 Implementation challenges and the way forward
4.5 Concluding remarks
References

Chapter 5. AI-assisted mix design optimization for recycled aggregate concrete

5.1 Introduction
5.2 Dataset characterization
5.3 Compressive strength prediction by Tabular Prior-Data Fitted Network
5.4 Sustainability-related evaluation
5.5 Recycled aggregate concrete mix design optimization
5.6 Conclusion and discussion
Acknowledgments
References

Chapter 6. Major artificial intelligence challenges and shortcomings in construction and demolition waste management

6.1 Introduction: why “AI shortcomings” matter in construction and demolition waste management
6.2 Construction and demolition waste management system and artificial intelligence opportunity landscape
6.3 Core artificial intelligence shortcomings across the artificial intelligence pipeline
6.4 Socio-technical, governance, and responsible-artificial intelligence barriers to adoption
6.5 Evidence from practice: cases, failures, and lessons learnt
6.6 Conclusions and stakeholder recommendations
References

Part 2 — AI-enabled smart technologies

Chapter 7. Artificial intelligence for hazard prediction in Construction and Demolition Waste

7.1 Introduction
7.2 From the bulk composition to the leachates
7.3 Leaching of construction waste
7.4 Leaching forecasts
7.5 Environmental metrics
7.6 Clustering of compositional data
7.7 Dealing with compositional data analysis
7.8 Multivariate statistical methods
7.9 Machine learning clustering
7.10 Unsupervised clustering
7.11 Supervised clustering
7.12 Machine learning prediction of leachates
7.13 From compositional clusters to leaching predictions
7.14 Data harmonisation and standardisation strategies
7.15 Conclusions
References

Chapter 8. Artificial intelligence in building energy efficiency and management

8.1 Introduction
8.2 Background and related work
8.3 Method
8.4 Results
8.5 Conclusion and implications
Data and ethics
References

Chapter 9. Artificial intelligence-enhanced strategies for energy-efficient and affordable housing

9.1 Introduction
9.2 Background and necessity
9.3 AI-enhanced strategies and implementations
9.4 Cross-cutting issues, ethics, and research gaps
9.5 Conclusion
References

Chapter 10. Artificial intelligence assisted cost prediction for climate-responsive and affordable green housing

10.1 Introduction
10.2 Artificial intelligence techniques for cost prediction
10.3 Research methodology
10.4 Data requirements for artificial intelligence cost prediction
10.5 Benefits of artificial intelligence-assisted cost prediction
10.6 Case studies
10.7 Challenges of artificial intelligence cost prediction
10.8 Optimizing affordable housing design with artificial intelligence cost prediction models
10.9 Conclusion
References

Chapter 11. Artificial intelligence contribution for diagnosis for renovation measures identification—from reality capture to generative retrofitting workflows

11.1 Introduction
11.2 Materials and methods
11.3 Analysis
11.4 Conclusions
Acknowledgments
References

Chapter 12. Beyond digital costing: a self-optimising cost system for sustainable off-site construction

12.1 Introduction
12.2 Theoretical framing: from digital costing to autonomous regulation
12.3 Self-optimzing cost system-5 architecture: a constraint-aware autonomous cost system
12.4 Methodology
12.5 Results
12.6 Discussion and theoretical implications
12.7 Conclusion, limitations, and research agenda
References

Chapter 13. Artificial intelligence-integration of digital twins and blockchain for smart building management

13.1 Introduction
13.2 Safety management for smart home
13.3 Roadmap
13.4 Technological implications
13.5 Economic implications
13.6 Social implications
13.7 Ethical and legal implications
13.8 Implications for sustainability from local to global levels
13.9 Explainable AI application
13.10 Green AI versus Red AI
13.11 Challenges due to approaching postquantum security
13.12 Directions of further research
13.13 Conclusions
Acknowledgments
References

Chapter 14. AI-assisted classification and Pareto optimization for cost-effective renovation

14.1 Regulatory framework and decarbonization targets in the German building sector
14.2 The TABULA building typology
14.3 Methodological design
14.4 Case study
14.5 Conclusion
14.6 Discussion
14.7 Conclusions and future outlook
14.8 Future outlook
14.9 Concluding remark
References

Part 3 — Harnessing AI solutions to strengthen building resilience

Chapter 15. Artificial intelligence and performance prediction of climate-resilient building materials: a review

15.1 Introduction
15.2 Review methodology
15.3 AI for predicting material degradation under climate stress
15.4 Extreme event performance
15.5 AI-driven discovery of resilient materials
15.6 Smart and adaptive materials
15.7 Integration with structural and lifecycle models
15.8 Cross-cutting limitations and research gaps
15.9 Comparative assessment of AI methods
15.10 Industrial adoption, regulatory barriers, and case studies
15.11 Conclusions
15.12 Priority research agenda
Acknowledgments
References

Chapter 16. Artificial intelligence-driven design and optimisation of resilient construction materials for extreme climate conditions: a review

16.1 Introduction
16.2 Methodology
16.3 Mechanical property prediction for high-performance concrete
16.4 Durability prediction under extreme climate conditions
16.5 Geopolymer and alkali-activated materials
16.6 Fiber-reinforced polymer composites
16.7 Multiobjective mix-design optimization
16.8 Life cycle assessment and embodied-carbon minimization
16.9 Self-healing and smart protective materials
16.10 Phase change materials and building thermal resilience
16.11 Explainable artificial intelligence and physics-informed methods
16.12 Conclusions
Acknowledgments
References

Chapter 17. Integrated machine learning, life cycle assessment, and circular economy frameworks for climate-resilient buildings under energy and climate uncertainty: a review

17.1 Introduction
17.2 Theoretical foundations
17.3 Machine learning approaches in building life cycle assessment and energy performance
17.4 Multiobjective optimization in building design
17.5 Emerging integrated frameworks: machine learning, life cycle assessment, and circular economy
17.6 Research gaps and positioning of the present study
17.7 Synthesis and chapter conclusions
17.8 Future research agenda
Acknowledgments
References

Chapter 18. AI-driven storm-resistant housing resilience

18.1 Introduction
18.2 Literature review
18.3 Methodology: rank-based sensitivity screening and explainable AI-guided machine learning for early building design
18.4 Results and discussion
18.5 Conclusions
References

Chapter 19. Artificial intelligence approaches for evaluating resilience loss in reinforced concrete structures under aftershocks

19.1 Introduction
19.2 Recurrent transformer network
19.3 Resilience assessment considering mainshock-aftershocks
19.4 Illustrative example: 5-story prefabricated reinforced concrete frame building
19.5 Conclusion and future trends
Acknowledgments
References

A incómoda pergunta de um conhecido catedrático sobre um juiz "medíocre"

 

https://19-pacheco-torgal-19.blogspot.com/2025/06/a-receita-de-um-catedratico-para.html

O tal catedrático de Economia que mencionei em vários posts, nomeadamente naquele sobre a sua receita para aumentar rapidamente os rendimentos dos portugueses, acessível no link supra, vem agora, no seu último artigo no semanário Expresso, dispensar algumas palavras pouco meigas às sobejamente conhecidas e persistentes demoras do nosso sistema de justiça. Apreciei particularmente a incómoda pergunta que abaixo reproduzo:

"Em 2020, 290 juizes foram avaliados pelo CSM. 160 foram classificados com Muito Bom, 56 com Bom, 6 com suficiente e apenas 1 com Medíocre. Será este juiz "medíocre" responsável por todos os problemas do sistema judicial Português, ou estaremos perante um fenómeno de "inflacção de notas" ?"

Pena é que esse artigo não tenha incluído dados para mostrar a gravidade do problema. Poderia por exemplo ter recordado, como fiz há vários anos atrás que, nos dados então apresentados, o rácio de condenações de Portugal no Tribunal Europeu dos Direitos Humanos, por milhão de habitantes, era 900% superior ao da Alemanha e que cerca de 40% das infrações portuguesas respeitavam à demora excessiva da justiça https://pacheco-torgal.blogspot.com/2019/11/tribunal-europeu-dos-direitos-do.html

Os dados mais recentes do EU Justice Scoreboard 2026, mostram que na primeira instância administrativa, o tempo estimado de escoamento dos processos pendentes em Portugal, é o dobro do Espanha, o triplo do da França e dez vezes superior ao da Suécia, que é de 81 dias. É claro que a enorme diferença para a Suécia talvez pudesse ser explicada pelo facto daquele país poder ter mais juízes ou receber menos processos, porém nenhuma dessas explicações se verifica. Portugal não tem menos juízes do que a Suécia nos tribunais administrativos da primeira instância e sucede até que a Suécia recebe o dobro dos processos administrativos. 

Mais ainda, no presente contexto merece ser recordado o importante estudo do catedrático Nuno Palma e do Nobel da Economia James A. Robinson, "Desbloquear o Crescimento de Portugal — Reformas estruturais e desafios à implementação de políticas económicas" que foi apresentado publicamente no passado mês de julho, e que propõe decisões judiciais num prazo máximo de 90 dias, mediante aplicação gradual, com metas intermédias de 250, 180 e 120 dias, e responsabilização ponderada pela complexidade dos processos.

PS - No artigo referido apreciei também a proposta feita pelo catedrático de publicação de estatísticas individuais e detalhadas sobre os tempos de decisão de cada juiz. Uma medida de elementar transparência, que permitiria confrontar as generosas classificações de desempenho com os resultados efetivamente entregues aos cidadãos. Receio, porém, que tão saudável escrutínio encontre feroz resistência entre os juízes. E, num país onde os políticos tem muito medo dos juízes por conta dos seus muitos “rabos de palha”, dificilmente haverá coragem para impor essa medida. Aliás, a melhor prova desse medo está no facto de há 50 anos atrás um juiz em Portugal ter um vencimento equivalente ao de um professor do ensino secundário e de lá para cá aumentou de tal forma que agora até ganham muito mais do que os professores universitários. Um artigo publicado na revista do Sindicato do Ensino Superior-SNESUP mostra que em apenas 8 anos, a diferença entre o ganho médio mensal de um juiz e de um professor universitário passou de 1483 euros para 2392 euros. Ironicamente, na Suécia o país onde os juízes despacham processos em tempo verdadeiramente recorde o seu salário não é superior ao dos professores catedráticos. 

Universidade do Minho: uma dupla liderança no ranking Elsevier–Stanford de 2026

 

https://19-pacheco-torgal-19.blogspot.com/2026/10/o-voto-de-louvor-da-camara-municipal-de.html

No post anterior, acessível no link supra, ficou por assinalar que a Universidade do Minho, além de apresentar, entre as universidades mais competitivas, o maior rácio Top 0,5%/Top 2% no ranking Elsevier–Stanford, também lidera esse grupo no indicador relativo às auto-citações. Com efeito, no ficheiro referente ao impacto ao longo da carreira, a UMinho regista a menor proporção de investigadores com taxas de auto-citações superiores a 25%, com um valor de apenas 10%, que contrasta favoravelmente com as percentagens das outras universidades, em especial com os elevados 20% observados na Universidade de Lisboa. 

A UMinho encontra-se, assim, numa posição comparativamente mais favorável, consideravelmente mais próxima dos baixos níveis registados nas melhores universidades do mundo, apresentadas na lista infra, onde o referido indicador varia entre 0,8% e 4,3%, do que a ULisboa, cujos seus elevados 20% representam o dobro do valor observado na UMinho e evidenciam um afastamento substancialmente maior face a essas conhecidas e prestigiadas referências internacionais. A UMinho consegue inclusive um resultado melhor do que a universidade francesa com a menor percentagem que é a Paris-Saclay com 13%.

Tenha-se presente que o supramencionado limiar de 25% foi expressamente referido pelo professor catedrático da Universidade de Stanford e principal impulsionador do estudo que esteve na génese do ranking Elsevier–Stanford, num artigo que assinalou a existência de uma maior prevalência de auto-citações em países cientificamente menos avançados, com taxas medianas próximas de 40% nos casos mais extremos, valores que sugerem um evidente desespero na procura a todo o custo de uma visibilidade científica que o reconhecimento por terceiros não terá proporcionado, com suficiente expressão internacional, pelo que os tais 25% podem ser lidos, como sendo o limiar do desespero.

No presente contexto importa recordar que a Clarivate Analytics, cuja lista de cientistas apresenta infelizmente diversas limitações metodológicas, que denunciei há vários anos e assinalei em diversos posts anteriores, como por exemplo um de Novembro de 2020, ou no artigo que posteriormente submeti para a revista Research Evaluation, de título "Assessing Methodological Distortions in the Clarivate Highly Cited Researchers List: International Comparisons and a Reform Framework", e que por conta dessas limitações volta e meia altera os seus critérios, decidiu, há poucos anos, adotar a medida radical de excluir da mesma todos os investigadores com níveis de auto-citação considerados excessivos, não divulgou, contudo, o limiar percentual a partir do qual essa exclusão foi aplicada.

PS - Na lista de carreira do ranking Stanford/Elsevier (2026), a minha taxa de auto-citações é de apenas 5,7%, que fica bastante abaixo da mediana nacional (15,4%). Na U.Minho há apenas dois investigadores com percentagens de auto-citação inferiores, a investigadora de Medicina Marian Anderson (5,4%) e o catedrático de Física Nuno Peres (4,2%), coautor, com os dois vencedores do Nobel da Física de 2010, de um importante artigo sobre o grafeno, que foi citado na documentação científica que acompanhou a atribuição do referido prémio.

Lista das 18 universidades melhor classificadas no ranking Shanghai ordenadas pela percentagem de investigadores do ranking Elsevier-Stanford com auto-citações superiores ao referido limiar de 25%:

1	Harvard	0,8%
2	Yale	1,0%
3	Stanford	1,1%
4	U. Washington	1,3%
5	U. Pennsylvania	1,3%
6	Columbia	1,5%
7	U. Chicago	1,6%
8	Cornell	1,9%
9	UC San Diego	2,0%
10	UC Berkeley	2,2%
11	MIT	2,6%
12	Tsinghua	3,1%
13	Cambridge	3,5%
14	UCLA	3,5%
15	Oxford	3,5%
16	UCL	3,7%
17	Princeton	3,7%
18	ETH Zurich	4,3%