Solução Inteligente para Modelação Térmica de Edifícios

• Autor(a) principal: Silva, Paulo César Rodrigues
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
• Texto Completo: http://hdl.handle.net/10400.22/22504
• topic: Deep Learning; IoT; Modelação Térmica; Machine Learning; Redes Neuronais; Temperaturas; Neural Networks; Temperatures; Thermal Modelling

Na era em que vivemos, em que cada vez mais a preocupação com a sustentabilidade energética se enaltece diariamente, importa realizar esforços nesse sentido, recorrendo às cada vez mais ferramentas existentes ao nosso redor. Uma das muitas formas de poder evoluir neste sentido, entre muitas outras, é obter uma modelação térmica dos espaços a estudar. Modelar termicamente um edifício seria uma tarefa difícil há muitos anos atrás, no entanto nos dias de hoje, recorrendo sobretudo a ferramentas como o Machine Learning e Redes Neuronais, essa tarefa pode tornar-se bastante mais fácil e eficaz. O objetivo desta dissertação centra-se no desenvolvimento de uma solução inteligente capaz de modelar termicamente edifícios onde se desconheçam os seus materiais de construção. Este estudo enquadra-se no desenvolvimento de um conjunto de ferramentas capazes de efetuar a modelação térmica de um edifício, e para atingir esse objetivo foram identificados modelos matemáticos capazes de efetuar previsões de temperatura recorrendo a datasets de temperatura, assim como o desenvolvimento de uma aplicação baseada em Machine Learning e com a sua estrutura desenvolvida com base numa Rede Neuronal, apenas com dados reais utilizados para o treino da solução. Foram estudados quais os melhores modelos matemáticos e redes neuronais a utilizar, de forma a alcançar resultados os mais aproximados dos reais. Os objetivos do desenvolvimento da solução foram alcançados, através da comparação dos resultados previsionais com os valores reais e ainda através de métricas de erro, capazes de identificar a precisão dos dois modelos de previsão. Concluiu-se ainda que os modelos matemáticos têm uma precisão bastante inferior quando com parados com os resultados obtidos através da aplicação desenvolvida com base em redes neuronais