Metamodelo para estimar a carga térmica de edificações condicionadas artificialmente

Abstract

Simulações computacionais são os métodos mais avançados para predição do desempenho energético de edificações. Por outro lado, métodos estatísticos de funções de inferência baseadas em amostras são mais rápidos e simples de serem utilizados. Logo, para combinar as funcionalidades principais de simulações computacionais com o poder das predições estatísticas, existem os modelos híbridos, chamados metamodelos. O objetivo desta tese é desenvolver um metamodelo para estimar a carga integrada anual de energia para refrigeração para avaliação de desempenho energético de edificações condicionadas artificialmente através do desempenho individual de suas zonas térmicas. Foi construída uma base de dados de 1,29 milhões de casos simulados de uma zona térmica, variando parâmetros construtivos e de uso para o clima de Florianópolis. Uma amostra desta base de dados foi utilizada para elaboração de metamodelos com as técnicas de regressão linear múltipla, regressão adaptativa multivariada por splines, processo gaussiano, máquina de vetores de suporte, Randon Forest e redes neurais artificiais. Estes metamodelos foram comparados quanto ao seu desempenho e ao tempo de processamento computacional, e o metamodelo de maior desempenho foi apurado para diferentes tamanhos de amostra e diferentes configurações de sua estrutura. Por fim, um metamodelo de rede neural artificial treinado com aproximadamente 13 mil casos e 72 nós na camada interna reproduziu o resultado de 1,29 milhões de casos com erros menores que 10% para 99,2% dos resultados. Este tipo de metamodelo pode ser aplicados em dimensionamento de sistemas de condicionamento de ar, em tomadas de decisão no desenvolvimento de projetos e na avaliação de desempenho de certificações e regulamentos. <br>

Abstract : Computer simulations are the most advanced methods to predict the energy performance of buildings. Furthermore, statistical methods using inference functions based on samples are faster and simpler to use. Then, to match the main features of computer simulations with the power of statistical predictions, there are developed hybrid models, called metamodels. This thesis aims to develop a metamodel to predict the annual integrated energy cooling load demand for buildings energy performance assessment. A database of 1.29 million thermal zone cases was constructed with a parametric combination of buildings parameters and internal gains. These cases represent thermal zones of commercial buildings to the Florianópolis climate. A sample of this database was used to develop metamodels with different statistical techniques: multiple linear regression; multivariate adaptive regression splines; gaussian process; support vector machine; Randon Forest; and artificial neural networks. The metamodels were compared for their performance and computational resources for their development, then the best metamodel was calculated for different sample sizes and different configurations of its structure. Finally, a metamodel of artificial neural network trained with 13 thousand cases and 72 nodes in the inner layer reproduces the result of 1.29 million cases with errors smaller than 10% to 99.2% of results. This type of metamodel can be applied in sizing air conditioning systems, in project development decision-making and evaluation of performance in certifications and regulations.