Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações

• Autor(a) principal: Silva, Gisele Goulart Tavares da
• Data de Publicação: 2019
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UFJF
• Texto Completo: https://repositorio.ufjf.br/jspui/handle/ufjf/11481
• topic: CNPQ::CIENCIAS EXATAS E DA TERRA; Eficiência energética; Cargas de aquecimento e resfriamento; Extreme gradient boosting; Evolução diferencial; Seleção de modelos; Energy efficiency; Heating and cooling loads; Extreme gradient boosting; Differential evolution; Model selection

Devido às mudanças climáticas, até 2040 os edifícios podem vir a consumir 30% mais energia, sendo o desempenho energético o elemento chave para o alcance do desenvolvimento sustentável no setor da construção civil. Custos de projeto, dano ambiental e características construtivas como geometria, propriedades térmicas dos materiais e condições climáticas são necessárias para avaliar a performance energética de uma edificação. Uma forma de solucionar este problema de avaliação é a aplicação de Métodos de Aprendizado de Máquina para estimar uma resposta a partir de uma entrada de dados. O uso de Métodos de Aprendizado de Máquina pode vir a auxiliar especialistas da área da construção civil na análise de cenários ainda na fase inicial do projeto e trazer economia para a edificação. O presente trabalho avalia a aplicação dos modelos Elastic Net, Máquina de Aprendizado Extremo e Extreme Gradient Boosting para a previsão das cargas de aquecimento e resfriamento em edificações residenciais. Duas bases de dados são utilizadas para avaliar o desempenho dos métodos, contendo variáveis geométricas de entrada e duas variáveis térmicas de saída. Para a seleção de parâmetros dos métodos, o algoritmo de otimização Evolução Diferencial foi aplicado, com o objetivo de encontrar os conjuntos de hiperparâmetros que reforcem as capacidades preditivas dos modelos. As comparações dos resultados ocorreram através do uso das métricas MAE, MAPE, RMSE e R2. Os resultados mostraram que o método Extreme Gradient Boosting obteve uma melhor performance dentre os métodos testados e também em comparação com a literatura, apresentando os menores valores para as métricas de erro e diferença significativa nos testes estatísticos. Além disso, o algoritmo de Evolução Diferencial se mostrou eficaz para a otimização dos parâmetros dos modelos testados, podendo vir a ser aplicado também a outros modelos da literatura. Dessa forma, a combinação dos métodos Evolução Diferencial e Extreme Gradient Boosting pode vir a ser aplicada na previsão das cargas térmicas em edificações, auxiliando em projetos que visem economia de energia e sustentabilidade.