Aplicação de um modelo de aprendizado de máquina em estudo de eficiência energética de edificações: foco para sistemas construtivos leves
DOI:
https://doi.org/10.5433/1679-0375.2022v43n1p75Palavras-chave:
Árvore de classificação e regressão, Simulação computacional, Consumo energéticoResumo
A utilização de técnicas de aprendizado de máquina em estudos de desempenho termoenergético de edificações surge como uma alternativa aos métodos convencionais, que demandam uma maior complexidade de dados. Esta pesquisa tem por objetivo aplicar uma técnica de aprendizado de máquina em estudo de eficiência energética de uma edificação executada em sistema construtivo leve. Sendo assim, foi feita a implementação de um algoritmo referente a um modelo otimizado de árvore de classificação e regressão (CART) para aplicação em um conjunto de dados. Tal conjunto contempla 2048 simulações paramétricas de uma habitação em sistema construtivo leve para o clima da cidade de São Paulo, cujos indicadores de saída são a carga térmica anual de aquecimento e a carga térmica anual de refrigeração. A partir da divisão dos dados em conjuntos de treinamento e teste e da aplicação de técnicas de Grid Search e k-fold Cross Validation para otimização de hiperparâmetros, foram obtidos resultados médios de 1,11\% de erro para cargas de aquecimento e 1,52\% de erro para a predição de cargas de refrigeração. Posteriormente, foi feita uma análise de sensibilidade revelando a propriedade de transmitância térmica das paredes como parâmetro de maior influência na predição de carga de aquecimento e a condição de contato do solo com o piso como parâmetro de maior influência na predição de carga de refrigeração. Por fim, foram geradas as árvores de decisão para análise visual de estratégias que podem ser adotadas para a obtenção de melhores níveis de desempenho termoenergético. Obteve-se assim, um diagnóstico de eficiência energética mais simplificado na interpretação de seus resultados, favorecendo maior difusão da tecnologia em sistemas leves.Downloads
Não há dados estatísticos.
Referências
ABNT - ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICA. NBR 15575: edificações habitacionais Desempenho. Rio de Janeiro: ABNT, 2013.
BOURDEAU, M. et al. Modeling and forecasting building energy consumption: a review of data-driven techniques. Sustainable Cities and Society, Amsterdam, v. 48, p. 101533, 2019.
BRASIL. Ministério do Desenvolvimento, Indústria e Comércio Exterior. Instituto Nacional de Metrologia, Normalização e Qualidade Industrial. Portaria no 42, de 24 de fevereiro de 2021. Instrução Normativa Inmetro para a Classificação de Eficiência Energética de Edificações Comerciais, de Serviços e Públicas (INI-C). Brasília: INMETRO, 2021a. 139 p.
BRASIL. Ministério do Desenvolvimento, Indústria e Comércio Exterior. Instituto Nacional de Metrologia, Normalização e Qualidade Industrial (INMETRO). Consulta pública no18, 12 de julho de 2021. Instrução Normativa Inmetro para a Classificação de Eficiência Energética de Edificações Residenciais (INI-R). Brasília: INMETRO, 2021b. 78 p.
JUSTINO, M. P.; SILVA, F. S.; SILVA RABELO, O. Perspectiva de uso da inteligência artificial (IA) para a eficiência energética em prédios públicos. Cadernos de Prospecção, Salvador: v. 13, n. 3, p. 769, 2020.
MARSLAND, S. Machine learning: an algorithmic perspective. London: Chapman and Hall: CRC, 2011.
MELO, A. P. Desenvolvimento de um método para estimar o consumo de energia de edificações comerciais através da aplicação de redes neurais. 2012. Tese (Doutorado) - Universidade Federal de Santa Catarina, 2012.
NUNES, G. H.; MOURA, J. D. M.; GÜTHS, S.; ATEMA, C.; GIGLIOA, T. Thermo-energetic performance of wooden dwellings: Benefits of cross-laminated timber in Brazilian climates. Journal of Building Engineering, [London], v. 32, p. 101468, 2020. DOI: https://doi.org/10.1016/j.jobe.2020.101468.
OLINGER, M. S. Predição de conforto térmico em escritórios ventilados naturalmente por meio de redes neurais artificiais. 2019. Dissertation (Master's) – University Federal of Santa Catarina, Florianópolis, 2019.
PEDREGOSA, F.; PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; MICHEL, V.; THIRION, B.; GRISEL, O.; BLONDEL, M.; PRETTENHOFER, P.; WEISS, R.; DUBOURG, V.; VANDERPLAS, J.; PASSOS, P.; COURNAPEAU, D.; BRUCHER, M.; PERROT, M.; DUCHESNAY, M. Scikit-learn: machine learning in Python. The Journal of machine Learning research, Cambridge, v. 12, p. 2825-2830, 2011.
PHAM, A. D.; NGOC-Tri, N.; HUYNH, N.-T.; TRUONG, T. T. H.; TRUONG, N. C. Predicting energy consumption in multiple buildings using machine learning for improving energy efficiency and sustainability. Journal of Cleaner Production, Oxford, v. 260, p. 121082, 2020. DOI: https://doi.org/10.1016/j.jclepro.2020.121082.
REFAEILZADEH, P.; TANG, L.; LIU, H. Cross-validation. In: ENCYCLOPEDIA of database systems. New York: Springer-Verlag, Springer, 2009. p. 532–538.
SEYEDZADEH, S.; RAHIMIAN, F. P.; RASTOGIC, P.; GLESKA, I. Tuning machine learning models for prediction of building energy loads. Sustainable Cities and Society, Amsterdam, v. 47, p. 101484, 2019.
SUN, Y.; HAGHIGHAT, F.; FUNG, B. C. A review of the-state-of-the-art in data-driven approaches for building energy prediction. Energy and Buildings, Lausanne, v. 221, p. 110022, 2020.
TSANAS, A.; XIFARA, A. Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools. Energy and Buildings, Lausanne, v. 49, p. 560-567, 2012.
WALKER, S.; KHAN, W; KATIC, K. MAASSENA, W.; ZEILER, W. Accuracy of different machine learning algorithms and added-value of predicting aggregated-level energy performance of commercial buildings. Energy and Buildings, Lausanne, v. 209, p. 109705, 2020.
ZARA, R. B. Influência dos parâmetros termofísicos no desempenho térmico de edificações residenciais em sistemas construtivos leves. 2019. Master’s (Dissertation in Civil Engineering - Londrina State University, Londrina, 2019.
ZEKIC-SUSAC, M.; MITROVIC, S.; HAS, A. Machine learning based system for managing energy efficiency of public sector as an approach towards smart cities. International Journal of Information Management, Amsterdam, v. 58, p. 102074, 2021.
BOURDEAU, M. et al. Modeling and forecasting building energy consumption: a review of data-driven techniques. Sustainable Cities and Society, Amsterdam, v. 48, p. 101533, 2019.
BRASIL. Ministério do Desenvolvimento, Indústria e Comércio Exterior. Instituto Nacional de Metrologia, Normalização e Qualidade Industrial. Portaria no 42, de 24 de fevereiro de 2021. Instrução Normativa Inmetro para a Classificação de Eficiência Energética de Edificações Comerciais, de Serviços e Públicas (INI-C). Brasília: INMETRO, 2021a. 139 p.
BRASIL. Ministério do Desenvolvimento, Indústria e Comércio Exterior. Instituto Nacional de Metrologia, Normalização e Qualidade Industrial (INMETRO). Consulta pública no18, 12 de julho de 2021. Instrução Normativa Inmetro para a Classificação de Eficiência Energética de Edificações Residenciais (INI-R). Brasília: INMETRO, 2021b. 78 p.
JUSTINO, M. P.; SILVA, F. S.; SILVA RABELO, O. Perspectiva de uso da inteligência artificial (IA) para a eficiência energética em prédios públicos. Cadernos de Prospecção, Salvador: v. 13, n. 3, p. 769, 2020.
MARSLAND, S. Machine learning: an algorithmic perspective. London: Chapman and Hall: CRC, 2011.
MELO, A. P. Desenvolvimento de um método para estimar o consumo de energia de edificações comerciais através da aplicação de redes neurais. 2012. Tese (Doutorado) - Universidade Federal de Santa Catarina, 2012.
NUNES, G. H.; MOURA, J. D. M.; GÜTHS, S.; ATEMA, C.; GIGLIOA, T. Thermo-energetic performance of wooden dwellings: Benefits of cross-laminated timber in Brazilian climates. Journal of Building Engineering, [London], v. 32, p. 101468, 2020. DOI: https://doi.org/10.1016/j.jobe.2020.101468.
OLINGER, M. S. Predição de conforto térmico em escritórios ventilados naturalmente por meio de redes neurais artificiais. 2019. Dissertation (Master's) – University Federal of Santa Catarina, Florianópolis, 2019.
PEDREGOSA, F.; PEDREGOSA, F.; VAROQUAUX, G.; GRAMFORT, A.; MICHEL, V.; THIRION, B.; GRISEL, O.; BLONDEL, M.; PRETTENHOFER, P.; WEISS, R.; DUBOURG, V.; VANDERPLAS, J.; PASSOS, P.; COURNAPEAU, D.; BRUCHER, M.; PERROT, M.; DUCHESNAY, M. Scikit-learn: machine learning in Python. The Journal of machine Learning research, Cambridge, v. 12, p. 2825-2830, 2011.
PHAM, A. D.; NGOC-Tri, N.; HUYNH, N.-T.; TRUONG, T. T. H.; TRUONG, N. C. Predicting energy consumption in multiple buildings using machine learning for improving energy efficiency and sustainability. Journal of Cleaner Production, Oxford, v. 260, p. 121082, 2020. DOI: https://doi.org/10.1016/j.jclepro.2020.121082.
REFAEILZADEH, P.; TANG, L.; LIU, H. Cross-validation. In: ENCYCLOPEDIA of database systems. New York: Springer-Verlag, Springer, 2009. p. 532–538.
SEYEDZADEH, S.; RAHIMIAN, F. P.; RASTOGIC, P.; GLESKA, I. Tuning machine learning models for prediction of building energy loads. Sustainable Cities and Society, Amsterdam, v. 47, p. 101484, 2019.
SUN, Y.; HAGHIGHAT, F.; FUNG, B. C. A review of the-state-of-the-art in data-driven approaches for building energy prediction. Energy and Buildings, Lausanne, v. 221, p. 110022, 2020.
TSANAS, A.; XIFARA, A. Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools. Energy and Buildings, Lausanne, v. 49, p. 560-567, 2012.
WALKER, S.; KHAN, W; KATIC, K. MAASSENA, W.; ZEILER, W. Accuracy of different machine learning algorithms and added-value of predicting aggregated-level energy performance of commercial buildings. Energy and Buildings, Lausanne, v. 209, p. 109705, 2020.
ZARA, R. B. Influência dos parâmetros termofísicos no desempenho térmico de edificações residenciais em sistemas construtivos leves. 2019. Master’s (Dissertation in Civil Engineering - Londrina State University, Londrina, 2019.
ZEKIC-SUSAC, M.; MITROVIC, S.; HAS, A. Machine learning based system for managing energy efficiency of public sector as an approach towards smart cities. International Journal of Information Management, Amsterdam, v. 58, p. 102074, 2021.
Downloads
Publicado
2022-06-06
Como Citar
Moro, G. N., Martins, R. dos S. V., & Giglio, T. G. F. (2022). Aplicação de um modelo de aprendizado de máquina em estudo de eficiência energética de edificações: foco para sistemas construtivos leves. Semina: Ciências Exatas E Tecnológicas, 43(1), 75–84. https://doi.org/10.5433/1679-0375.2022v43n1p75
Edição
Seção
Artigos
Licença
Os Direitos Autorais para artigos publicados nesta revista são de direito do autor. Em virtude de aparecerem nesta revista de acesso público, os artigos são de uso gratuito, com atribuições próprias, em aplicações educacionais e não-comerciais. A revista se reserva o direito de efetuar, nos originais, alterações de ordem normativa, ortográfica e gramatical, com vistas a manter o padrão culto da língua e a credibilidade do veículo. Respeitará, no entanto, o estilo de escrever dos autores. Alterações, correções ou sugestões de ordem conceitual serão encaminhadas aos autores, quando necessário. Nesses casos, os artigos, depois de adequados, deverão ser submetidos a nova apreciação. As opiniões emitidas pelos autores dos artigos são de sua exclusiva responsabilidade.
Esta obra está licenciada com uma Licença Creative Commons Atribuição-NãoComercial 4.0 Internacional.
