"Ciências Básicas para o Desenvolvimento Sustentável"
24 a 26 de outubro de 2023
Trabalho 18352
| 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 | FAPEMIG |
| Conclusão de bolsa | Não |
| Apoio financeiro | FAPEMIG |
| Primeiro autor | Iuri Praca Verginio |
| Orientador | RAFAEL DE PAULA GARCIA |
| Título | Machine Learning e otimização baseada em simulação para avaliação de desempenho de edificações |
| Resumo | Com os avanços tecnológicos nas últimas décadas, o aprendizado de máquina tem sido empregado em diversas áreas do conhecimento. Na arquitetura, ajuda a avaliar a performance de edifícios, utilizando dados reais para predizer novas respostas de modo mais rápido do que métodos tradicionais de avaliação. O objetivo da pesquisa é investigar a integração de métodos de aprendizado de máquina ao processo de Otimização Baseada em Simulação (OBS) na plataforma Rhino+Grasshopper com foco na redução do custo computacional. Como primeiro passo, foi feita uma revisão bibliográfica de métodos de aprendizado de máquina, assim como de motores otimizadores mais utilizados para problemas de OBS na arquitetura. Os métodos selecionados foram a Rede Neural e a Random Forest, devido a sua eficácia em diversas aplicações. Quanto ao motor otimizador, foi utilizado o Opossum, que trabalha com um algoritmo RBFOpt. O problema a ser otimizado foi escolhido com base na pesquisa anterior dos autores, que consiste em minimizar o consumo anual de energia primária com sistemas artificiais de aquecimento e resfriamento em um edifício de escritórios. O caso base considerado foi o da aplicação da OBS em 25 rodadas com todas as soluções simuladas e, a partir dele, foi feita a validação dos demais casos. Depois, a fim de fazer com que parte do processo de simulação seja substituído por resultados dados por aprendizado de máquina, foi construída uma estrutura no Rhino+Grasshopper para encontrar a melhor combinação de dados simulados e aproximados, partido de uma divisão igualitária, 50% simulado e 50% predito, e aumentando em 10% a parte simulada até alcançar os 90%. De forma a se obter uma base sólida, todos os processos também foram repetidos 25 vezes, para cada configuração de porcentagem, e posteriormente analisado o desempenho de cada uma delas. Esta mesma metodologia foi aplicada tanto para os processos com Rede Neural quanto para os com a Random Forest, estando o último em curso até o momento. A partir dos resultados parciais, foi constatado que para a Rede Neural, todas as combinações de porcentagem se mostram eficazes, apresentando valores de erro quadrático médio (RMSE) muito baixos. Além disso, os valores ótimos são próximos aos obtidos ao simular todas as soluções. Sendo que a configuração mais aproximada deste caso foi a de 60% e 40%, se tornando a mais indicada para o uso, uma vez que apresenta grande redução do custo computacional do processo sem perda da qualidade e obtendo valores próximos do real. Os resultados obtidos demonstram que os métodos aplicados levam a melhorias nos recursos computacionais ao substituir um processo lento de simulação, por predição, sem perder qualidade das respostas. Todavia, se pretende comparar os resultados obtidos entre os dois métodos de aprendizado de máquina escolhidos a fim de apontar se existe um mais adequado para aplicação neste problema. |
| Palavras-chave | Desempenho de edificações, Machine learning, Otimização baseada em simulação |
| Forma de apresentação..... | Painel |
| Link para apresentação | Painel |
|---|