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

Detalhes bibliográficos
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
Resumo: 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.
id UFJF_465e7cfe9c0332f89434319807a5ad5d
oai_identifier_str oai:hermes.cpd.ufjf.br:ufjf/11481
network_acronym_str UFJF
network_name_str Repositório Institucional da UFJF
repository_id_str
spelling Goliatt, Priscila Vanessa Zabala Caprileshttp://lattes.cnpq.br/3074561832181610Fonseca, Leonardo Goliatt dahttp://lattes.cnpq.br/9030707448549156Borges, Carlos Cristiano Hasencleverhttp://lattes.cnpq.br/2487554612123446Barbosa, Sabrina andradehttp://lattes.cnpq.br/4420667624995365http://lattes.cnpq.br/2223382675951164Silva, Gisele Goulart Tavares da2019-12-19T16:18:37Z2019-12-182019-12-19T16:18:37Z2019-09-12https://repositorio.ufjf.br/jspui/handle/ufjf/11481Devido 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.Due to climate change, by 2040 buildings may consume 20% more energy, with energy performance being the key element for achieving sustainable development in the building sector. Design costs, environmental damage and constructive characteristics, such as geometry, thermal properties of materials and weather conditions, are necessary to assess the energy performance of a building. One way to solve this problem is to apply Machine Learning Methods to estimate a response from data. The use of Machine Learning Methods can assist construction specialists in scenario analysis at an early stage of the project and bring savings to the building. The present work evaluates the application of the Elastic Net, Extreme Learning Machine and Extreme Gradient Boosting models for the forecasting of heating and cooling loads in residential buildings. Two databases are used to evaluate the performance of the methods, including geometric input variables and two thermal output variables. For the selection of method parameters, the Differential Evolution optimization algorithm was applied to find the sets of hyperparameters that reinforce the predictive capabilities of the models. Comparisons of the results were made using the MAE, MAPE, RMSE and R2 metrics. The results showed that the Extreme Gradient Boosting achieved a better performance among the tested methods and also compared to the literature, presenting the lowest values for the error metrics and significant difference in the statistical tests. In addition, the Differential Evolution algorithm showed to be effective for the optimization of the parameters of the tested models, and may also be applied to other models in the literature. Thus, a combination of Differential Evolution and Extreme Gradient Boosting methods can be applied to predict thermal loads in buildings, assisting in projects that aim at energy saving and sustainability.CAPES - Coordenação de Aperfeiçoamento de Pessoal de Nível SuperiorporUniversidade Federal de Juiz de Fora (UFJF)Programa de Pós-graduação em Modelagem ComputacionalUFJFBrasilICE – Instituto de Ciências ExatasAttribution-NonCommercial-NoDerivs 3.0 Brazilhttp://creativecommons.org/licenses/by-nc-nd/3.0/br/info:eu-repo/semantics/openAccessCNPQ::CIENCIAS EXATAS E DA TERRAEficiência energéticaCargas de aquecimento e resfriamentoExtreme gradient boostingEvolução diferencialSeleção de modelosEnergy efficiencyHeating and cooling loadsExtreme gradient boostingDifferential evolutionModel selectionAplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificaçõesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesisreponame:Repositório Institucional da UFJFinstname:Universidade Federal de Juiz de Fora (UFJF)instacron:UFJFTEXTgiselegoularttavaresdasilva.pdf.txtgiselegoularttavaresdasilva.pdf.txtExtracted texttext/plain152666https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/4/giselegoularttavaresdasilva.pdf.txtbb39ec939750922f3cc3ac63faae0d86MD54THUMBNAILgiselegoularttavaresdasilva.pdf.jpggiselegoularttavaresdasilva.pdf.jpgGenerated Thumbnailimage/jpeg1171https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/5/giselegoularttavaresdasilva.pdf.jpg9b0098270e1a45478b5ef05c030a2824MD55ORIGINALgiselegoularttavaresdasilva.pdfgiselegoularttavaresdasilva.pdfapplication/pdf1668942https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/1/giselegoularttavaresdasilva.pdf92180c529efa988f73a2ed00f63b4d85MD51CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8811https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/2/license_rdfe39d27027a6cc9cb039ad269a5db8e34MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/3/license.txt8a4605be74aa9ea9d79846c1fba20a33MD53ufjf/114812019-12-20 04:06:46.39oai:hermes.cpd.ufjf.br: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Repositório InstitucionalPUBhttps://repositorio.ufjf.br/oai/requestopendoar:2019-12-20T06:06:46Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)false
dc.title.pt_BR.fl_str_mv Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
title Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
spellingShingle Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
Silva, Gisele Goulart Tavares da
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
title_short Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
title_full Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
title_fullStr Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
title_full_unstemmed Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
title_sort Aplicação de técnicas de inteligência computacional para a previsão de cargas de aquecimento e resfriamento em edificações
author Silva, Gisele Goulart Tavares da
author_facet Silva, Gisele Goulart Tavares da
author_role author
dc.contributor.advisor1.fl_str_mv Goliatt, Priscila Vanessa Zabala Capriles
dc.contributor.advisor1Lattes.fl_str_mv http://lattes.cnpq.br/3074561832181610
dc.contributor.advisor-co1.fl_str_mv Fonseca, Leonardo Goliatt da
dc.contributor.advisor-co1Lattes.fl_str_mv http://lattes.cnpq.br/9030707448549156
dc.contributor.referee1.fl_str_mv Borges, Carlos Cristiano Hasenclever
dc.contributor.referee1Lattes.fl_str_mv http://lattes.cnpq.br/2487554612123446
dc.contributor.referee2.fl_str_mv Barbosa, Sabrina andrade
dc.contributor.referee2Lattes.fl_str_mv http://lattes.cnpq.br/4420667624995365
dc.contributor.authorLattes.fl_str_mv http://lattes.cnpq.br/2223382675951164
dc.contributor.author.fl_str_mv Silva, Gisele Goulart Tavares da
contributor_str_mv Goliatt, Priscila Vanessa Zabala Capriles
Fonseca, Leonardo Goliatt da
Borges, Carlos Cristiano Hasenclever
Barbosa, Sabrina andrade
dc.subject.cnpq.fl_str_mv CNPQ::CIENCIAS EXATAS E DA TERRA
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
dc.subject.por.fl_str_mv 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
description 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.
publishDate 2019
dc.date.accessioned.fl_str_mv 2019-12-19T16:18:37Z
dc.date.available.fl_str_mv 2019-12-18
2019-12-19T16:18:37Z
dc.date.issued.fl_str_mv 2019-09-12
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufjf.br/jspui/handle/ufjf/11481
url https://repositorio.ufjf.br/jspui/handle/ufjf/11481
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 3.0 Brazil
http://creativecommons.org/licenses/by-nc-nd/3.0/br/
eu_rights_str_mv openAccess
dc.publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.publisher.program.fl_str_mv Programa de Pós-graduação em Modelagem Computacional
dc.publisher.initials.fl_str_mv UFJF
dc.publisher.country.fl_str_mv Brasil
dc.publisher.department.fl_str_mv ICE – Instituto de Ciências Exatas
publisher.none.fl_str_mv Universidade Federal de Juiz de Fora (UFJF)
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFJF
instname:Universidade Federal de Juiz de Fora (UFJF)
instacron:UFJF
instname_str Universidade Federal de Juiz de Fora (UFJF)
instacron_str UFJF
institution UFJF
reponame_str Repositório Institucional da UFJF
collection Repositório Institucional da UFJF
bitstream.url.fl_str_mv https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/4/giselegoularttavaresdasilva.pdf.txt
https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/5/giselegoularttavaresdasilva.pdf.jpg
https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/1/giselegoularttavaresdasilva.pdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/2/license_rdf
https://repositorio.ufjf.br/jspui/bitstream/ufjf/11481/3/license.txt
bitstream.checksum.fl_str_mv bb39ec939750922f3cc3ac63faae0d86
9b0098270e1a45478b5ef05c030a2824
92180c529efa988f73a2ed00f63b4d85
e39d27027a6cc9cb039ad269a5db8e34
8a4605be74aa9ea9d79846c1fba20a33
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositório Institucional da UFJF - Universidade Federal de Juiz de Fora (UFJF)
repository.mail.fl_str_mv
_version_ 1813194010979729408