Resumo |
Devido às mudanças climáticas presentes nos últimos anos, além da crise do petróleo no final do século XX, os projetos de arquitetura passaram a buscar melhores soluções para reduzir os gastos energéticos em edificações. Estes fatores, associados aos avanços tecnológicos, criam espaço para o uso de ferramentas computacionais na avaliação do desempenho energético a partir de técnicas que utilizam otimização, simulação e aprendizado de máquina. O objetivo desta pesquisa é o de analisar o impacto da integração de um método de aprendizado de máquina ao processo de Otimização Baseada em Simulação (OBS) na plataforma Rhino+Grasshopper com foco no custo computacional. O primeiro passo para isso, foi uma análise de métodos e bibliotecas de machine learning, em linguagem Python, mais utilizadas para problemas na área da arquitetura, sob a luz das soluções apresentadas na competição: ASHRAE - Great Energy Predictor III. Depois, foi feita uma investigação na plataforma a fim de avaliar as possibilidades de implementação e importação de métodos de aprendizado de máquina, bem como automatizar processos de armazenamento dos dados gerados pela otimização. Ao utilizar o plug-in GHPythonRemote foi possível o uso de bibliotecas que normalmente seriam inacessíveis dentro da plataforma, o que possibilitou o uso e configuração de uma rede neural, método de aprendizado de máquina escolhido. Após isso, foi selecionado um problema de OBS para a minimização do consumo anual de energia primária com sistemas de condicionamento artificial em um edifício de escritórios. O motor de otimização Galápagos foi utilizado e com a associação da rede neural dois processos foram conduzidos: o primeiro utilizou apenas resultados gerados por simulações pelo EnergyPlus2.0, e no segundo foi empregado o uso misto de resultados por simulações e por aproximação através da rede neural, diferenciando a porcentagem de uso de resultados em treino e teste segundo as proporções (simulação e aproximação): 90/10, 80/20, 70/30, 60/40, 50/50, 40/60, 30/70, 20/80 e 10/90. De modo geral, nos processos em que o balanço entre os resultados simulados e aproximados foram de 90/10 a 50/50, baixos valores de RMSE foram obtidos, variando de 0,46 a 1,12. Mas a partir das simulações em que as porcentagens eram de 40/60 a 10/90, os valores de RMSE chegaram a 21,4. Concluiu-se que a utilização de uma rede neural mostrou-se capaz de reduzir o custo computacional de processos de OBS sem afetar, de maneira significativa, a qualidade dos resultados, tendo neste problema em específico, a configuração de 50/50 como a melhor opção |