Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios
Autor(a) principal: | |
---|---|
Data de Publicação: | 2017 |
Outros Autores: | , , |
Tipo de documento: | Artigo |
Idioma: | por |
Título da fonte: | Ambiente construído (Online) |
Texto Completo: | http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103 |
Resumo: | Resumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do edifício, propriedades do material, custos do projeto, condições do tempo no local e impacto ambiental. Esses métodos requerem uma fase de treinamento que considera uma base de dados construída a partir de variáveis selecionadas no domínio do problema. Este trabalho avalia o desempenho de quatro métodos de aprendizado de máquina na predição de cargas de resfriamento e aquecimento de edifícios residenciais. A base de dados do treinamento consiste de oito variáveis de entrada e duas variáveis de saída, todas derivadas de projetos de edifícios. Os métodos foram selecionados de acordo com uma pesquisa exaustiva e ajustados por uma estratégia com validação cruzada. Para a avaliação foram usadas quatro medidas estatísticas de desempenho e um índice de sintetização e resultados. Essa estratégia resultou em algoritmos com parâmetros otimizados e permitiu obter resultados competitivos com os apresentados na literatura. |
id |
ANTAC-1_67761cd8f53478a09ac54f37794e14a8 |
---|---|
oai_identifier_str |
oai:scielo:S1678-86212017000300103 |
network_acronym_str |
ANTAC-1 |
network_name_str |
Ambiente construído (Online) |
repository_id_str |
|
spelling |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifíciosEficiência energéticaCargas de aquecimento e resfriamentoAprendizado de máquinaResumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do edifício, propriedades do material, custos do projeto, condições do tempo no local e impacto ambiental. Esses métodos requerem uma fase de treinamento que considera uma base de dados construída a partir de variáveis selecionadas no domínio do problema. Este trabalho avalia o desempenho de quatro métodos de aprendizado de máquina na predição de cargas de resfriamento e aquecimento de edifícios residenciais. A base de dados do treinamento consiste de oito variáveis de entrada e duas variáveis de saída, todas derivadas de projetos de edifícios. Os métodos foram selecionados de acordo com uma pesquisa exaustiva e ajustados por uma estratégia com validação cruzada. Para a avaliação foram usadas quatro medidas estatísticas de desempenho e um índice de sintetização e resultados. Essa estratégia resultou em algoritmos com parâmetros otimizados e permitiu obter resultados competitivos com os apresentados na literatura.Associação Nacional de Tecnologia do Ambiente Construído - ANTAC2017-07-01info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersiontext/htmlhttp://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103Ambiente Construído v.17 n.3 2017reponame:Ambiente construído (Online)instname:Associação Nacional de Tecnologia do Ambiente Construído (ANTAC)instacron:ANTAC10.1590/s1678-86212017000300165info:eu-repo/semantics/openAccessDuarte,Grasiele ReginaFonseca,Leonardo Goliatt daGoliatt,Priscila Vanessa Zabala CaprilesLemonge,Afonso Celso de Castropor2017-06-23T00:00:00Zoai:scielo:S1678-86212017000300103Revistahttps://seer.ufrgs.br/ambienteconstruidohttps://old.scielo.br/oai/scielo-oai.php||ambienteconstruido@ufrgs.br1678-86211415-8876opendoar:2017-06-23T00:00Ambiente construído (Online) - Associação Nacional de Tecnologia do Ambiente Construído (ANTAC)false |
dc.title.none.fl_str_mv |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
title |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
spellingShingle |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios Duarte,Grasiele Regina Eficiência energética Cargas de aquecimento e resfriamento Aprendizado de máquina |
title_short |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
title_full |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
title_fullStr |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
title_full_unstemmed |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
title_sort |
Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
author |
Duarte,Grasiele Regina |
author_facet |
Duarte,Grasiele Regina Fonseca,Leonardo Goliatt da Goliatt,Priscila Vanessa Zabala Capriles Lemonge,Afonso Celso de Castro |
author_role |
author |
author2 |
Fonseca,Leonardo Goliatt da Goliatt,Priscila Vanessa Zabala Capriles Lemonge,Afonso Celso de Castro |
author2_role |
author author author |
dc.contributor.author.fl_str_mv |
Duarte,Grasiele Regina Fonseca,Leonardo Goliatt da Goliatt,Priscila Vanessa Zabala Capriles Lemonge,Afonso Celso de Castro |
dc.subject.por.fl_str_mv |
Eficiência energética Cargas de aquecimento e resfriamento Aprendizado de máquina |
topic |
Eficiência energética Cargas de aquecimento e resfriamento Aprendizado de máquina |
description |
Resumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do edifício, propriedades do material, custos do projeto, condições do tempo no local e impacto ambiental. Esses métodos requerem uma fase de treinamento que considera uma base de dados construída a partir de variáveis selecionadas no domínio do problema. Este trabalho avalia o desempenho de quatro métodos de aprendizado de máquina na predição de cargas de resfriamento e aquecimento de edifícios residenciais. A base de dados do treinamento consiste de oito variáveis de entrada e duas variáveis de saída, todas derivadas de projetos de edifícios. Os métodos foram selecionados de acordo com uma pesquisa exaustiva e ajustados por uma estratégia com validação cruzada. Para a avaliação foram usadas quatro medidas estatísticas de desempenho e um índice de sintetização e resultados. Essa estratégia resultou em algoritmos com parâmetros otimizados e permitiu obter resultados competitivos com os apresentados na literatura. |
publishDate |
2017 |
dc.date.none.fl_str_mv |
2017-07-01 |
dc.type.driver.fl_str_mv |
info:eu-repo/semantics/article |
dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
format |
article |
status_str |
publishedVersion |
dc.identifier.uri.fl_str_mv |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103 |
url |
http://old.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103 |
dc.language.iso.fl_str_mv |
por |
language |
por |
dc.relation.none.fl_str_mv |
10.1590/s1678-86212017000300165 |
dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/openAccess |
eu_rights_str_mv |
openAccess |
dc.format.none.fl_str_mv |
text/html |
dc.publisher.none.fl_str_mv |
Associação Nacional de Tecnologia do Ambiente Construído - ANTAC |
publisher.none.fl_str_mv |
Associação Nacional de Tecnologia do Ambiente Construído - ANTAC |
dc.source.none.fl_str_mv |
Ambiente Construído v.17 n.3 2017 reponame:Ambiente construído (Online) instname:Associação Nacional de Tecnologia do Ambiente Construído (ANTAC) instacron:ANTAC |
instname_str |
Associação Nacional de Tecnologia do Ambiente Construído (ANTAC) |
instacron_str |
ANTAC |
institution |
ANTAC |
reponame_str |
Ambiente construído (Online) |
collection |
Ambiente construído (Online) |
repository.name.fl_str_mv |
Ambiente construído (Online) - Associação Nacional de Tecnologia do Ambiente Construído (ANTAC) |
repository.mail.fl_str_mv |
||ambienteconstruido@ufrgs.br |
_version_ |
1754209103581806592 |