“Bicentenário da Independência: 200 anos de ciência, tecnologia e inovação no Brasil e 96 anos de contribuição da UFV”.

8 a 10 de novembro de 2022

Trabalho 16443

ISSN 2237-9045
Instituição Universidade Federal de Viçosa
Nível Graduação
Modalidade Pesquisa
Área de conhecimento Ciências Exatas e Tecnológicas
Área temática Arquitetura e urbanismo
Setor Departamento de Arquitetura e Urbanismo
Bolsa PIBIC/CNPq
Conclusão de bolsa Sim
Apoio financeiro CNPq
Primeiro autor Iuri Praca Verginio
Orientador RAFAEL DE PAULA GARCIA
Título Associação de rede neural a um processo de otimização baseada em simulação para avaliação do desempenho de edificações.
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
Palavras-chave Redes neurais, Desempenho energético, Otimização baseada em simulação
Forma de apresentação..... Vídeo
Link para apresentação Vídeo
Gerado em 0,70 segundos.