Tese (doutorado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Civil, Florianópolis, 2015. / Made available in DSpace on 2016-10-19T13:20:52Z (GMT). No. of bitstreams: 1
339043.pdf: 8116643 bytes, checksum: 913e1f8bc5c82d3ee6dde4865120871c (MD5)
Previous issue date: 2015 / Raras ferramentas simplificadas oferecem a possibilidade de avaliar o impacto do aproveitamento da luz natural no consumo energético de edificações de forma completa devido à dificuldade de modelar a sua dupla influência: no sistema de iluminação artificial e condicionamento de ar. Este trabalho teve por objetivo investigar as possibilidades e as limitações da aplicação de redes neurais artificiais (RNAs) para estimar o potencial energético do aproveitamento da iluminação natural em edificações não residenciais por meio da metamodelagem de suas variáveis-chave. O método adotado apresentou duas etapas: a primeira, de abordagem sistemática investigativa; e a segunda, de abordagem propositiva. Na etapa investigativa, identificou-se a necessidade de avaliar o desempenho das RNAs diante de técnicas estatísticas já estudadas, adotando-se a regressão linear multivariada (RLM), e de avaliar o potencial das RNAs para a metamodelagem das principais variáveis-chave da iluminação natural referentes: a descrição, a localização e o desempenho do edifício. Para a comparação entre a precisão dos modelos RNA e RLM, repetiu-se um estudo anterior que propôs uma equação baseada em RLM para modelar uma zona termoluminosa, propondo-se uma RNA e comparando-se a precisão das técnicas. A investigação das variáveis da descrição do edifício teve como principal norteador a verificação do potencial das RNAs para modelar variáveis que operam em diferentes escalas. A investigação das variáveis do contexto do edifício avaliou o potencial das redes para modelar o comportamento de edificações em diferentes climas. Para a investigação das variáveis de desempenho do edifício, as redes foram testadas diante de diferentes agrupamentos de variáveis de desempenho de iluminação natural e de consumo energético. Essas avaliações foram desenvolvidas conforme: a) a seleção das variáveis; b) a amostragem dos dados (direcionada ou aleatória através de Hipercubo Latino); c) a simulação energética (EnergyPlus e plug-in DIVA do programa Rhinoceros, conforme a etapa do estudo priorizasse tempo ou precisão da simulação); d) o treinamento da RNA; e e) a análise dos resultados e a definição da ação seguinte. Para a realização das simulações integradas no DIVA, propôs-se um algoritmo de parametrização desenvolvido no plug-in Grasshopper, que permite a simulação de mais de 10 milhões de casos diferentes. A metamodelagem baseou-se em uma única zona termoluminosa, partindo-se da rede mais simples que pudesse aprender e generalizar soluções. A acurácia das RNAs foi verificada através da utilização de novos modelos, com características diferentes das conhecidas pela rede. A abordagem propositiva do método dispôs um método simplificado para determinar a redução do consumo energético de edifícios devido ao aproveitamento da iluminação natural. A variável de saída da RNA foi a Densidade de Potência de Iluminação em Uso (DPU), que é ponderada pela área de zonas de iluminação natural para determinar a DPU do edifício. Para a definição da área das zonas, foram propostas equações que consideraram o dinamismo do clima. Como resultado, 799 redes foram testadas diante de 19 variáveis da descrição, 14 do contexto e 15 do desempenho do edifício. Foram simulados 12.041 casos (21.187 simulações de iluminação natural e termoenergéticas). Os resultados da etapa investigativa apontaram as RNAs como método mais preciso que a RLM, a ponto de melhorar o coeficiente de determinação de 0,62 para 0,99. Quanto à investigação das variáveis da descrição do edifício, as RNAs foram capazes de modelar a influência dos parâmetros orientação, percentual de abertura da fachada e transmissão visível com erro percentual inferior a 5%. Quanto ao contexto do edifício, os melhores resultados foram obtidos agrupando-se variáveis de localização geográfica, características térmicas e disponibilidade de luz e considerando-se cidades de diferentes hemisférios na mesma rede, num total de 11 climas. Quanto às variáveis de desempenho, as redes apresentaram maior facilidade na predição das variáveis de consumo energético isoladamente do que de medidas de iluminação natural isoladamente ou de ambos na mesma rede. Quanto à etapa propositiva, o método simplificado resultou em erros inferiores a 5% quando comparado à simulação computacional. Como conclusão geral, as RNAs apresentaram elevado potencial para serem utilizadas em métodos simplificados de iluminação natural sob o enfoque energético para diversas localidades com precisão superior à RLM. Os objetivos do trabalho foram cumpridos, visto que se obteve um panorama das potencialidades da metamodelagem da iluminação natural utilizando RNAs diante de suas principais variáveis-chave e das estruturas de RNAs mais difundidas para a representação de funções. Como principal contribuição social e prática do trabalho, destacam-se um método passível de ser aplicado em todo o território nacional e a contribuição para códigos e normas locais. Como contribuição científica e teórica, destaca-se o avanço nos estudos de aplicação de inteligência artificial para a modelagem dos fenômenos físicos dinâmicos no ambiente construído (luminoso e térmico).<br> / Abstract : Few simplified tools offer the possibility of evaluating the impact of comprehensively using daylighting on energy consumption, since it is difficult to model its dual influence: on the artificial lighting system and on air conditioning. This work aimed at investigating the possibilities and the limitations of applying artificial neural networks (ANN) to predict daylight harvesting in non-residential buildings through metamodeling its key variables. There are two stages in the adopted method: the first one used a systematic investigative approach and the second one used a purposeful approach. In the investigative stage, it was identified the necessity of evaluating the ANN performance by adopting multivariate linear regression (MLR) facing other traditional statistical techniques, and to assess the ANNs potential for metamodeling the main daylighting key variables referring to: building description, building location and building performance. In order to compare the accuracy of ANN and MLR models, a previous study that had proposed a RLM-based equation to model a luminous-thermal zone was repeated, by proposing an ANN and comparing the accuracy of the techniques. The investigation of the building description variables was mainly guided by the verification of the ANNs potential, in order to model variables that operate at different scales. The investigation of the building context variables aimed at verifying the networks potential to model the buildings behavior in different climates. In order to research the variables related to building performance, different grouping parameters connected to daylighting and energy consumption were tested. The evaluation actions were developed according to: a) variables selection; b) sampling data (directed or random by Latin Hypercube); c) energy simulation (EnergyPlus and plug-in DIVA Rhinoceros software, when the study stage prioritized time or simulation accuracy); d) ANN training and e) results analysis and next actions definition. In order to perform the integrated simulations into DIVA, a parameterization algorithm developed at the Grasshopper plug-in that allows the simulation of more than 10 million different cases was proposed. The metamodel experiments were based on interactions using only one luminous-thermal zone and it started from the simplest network that could learn and generalize solutions. The accuracy of the ANNs was verified by using new models, whose characteristics were different from the ones that were already known by the network. The purposeful approach of the method disposed a simplified process for determining the reduction of buildings energy consumption due to the daylighting harvesting. The ANN output variable was the Lighting Density Power in Use (LDPU), which is weighted by the daylit to determine the building LDPU. Aiming at computing the daylit zones area, equations that consider the weather dynamism were proposed. As a result, 799 networks were tested facing 19 building description, 14 building context and 15 building performance key variables. 12,041 cases were simulated (21,187 daylighting, thermal and energy simulations). The investigative stage results indicated that the ANNs were a more accurate method than the linear regression, since the determination coefficient improved from 0.62 to 0.99. Regarding the investigation of the building description variables, the ANNs were able to model the influence of the following parameters: orientation, window to wall ratio and visible transmission, showing a percentage error lower than 5%. Concerning the building context, the best results were obtained by grouping variables regarding: geographic location, thermal characteristics and daylight availability. It considered cities from different hemispheres in the same ANN, adding up 11 different climates. The percentage error of the best network solution was lower than 10%, thus it was higher than 30% for the test set individually. On the subject of building performance parameters, the networks showed better results when predicting the energy consumption parameters separately than when predicting daylighting parameters independently, or when both of them were in the same network. Respecting the purposeful approach stage, the simplified method error was lower than 5% when compared to the computer simulation. As a general conclusion, it can be stated that the ANN technique shows a potential for being applied to develop simplified daylighting methods in line with the energy approach for multiple locations with greater precision than the MLR. The research goals have been met, since it was possible to obtain an overview of the potential using ANNs to daylighting metamodeling facing its main key variables and the most widespread ANNs structures. The main social / practical contribution of this research is the possibility of applying the method across the country and contributing to local codes and standards. As a scientific / theoretical contribution, it can be highlighted the progress in studies on artificial intelligence application for metamodeling dynamic physical phenomena in the built environment (luminous and thermal).
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufsc.br:123456789/169652 |
| Date | January 2015 |
| Creators | Fonseca, Raphaela Walger da |
| Contributors | Universidade Federal de Santa Catarina, Pereira, Fernando Oscar Ruttkay, Papamichael, Konstantinos |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Format | 457 p.| il., grafs., tabs. |
| Source | reponame:Repositório Institucional da UFSC, instname:Universidade Federal de Santa Catarina, instacron:UFSC |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0038 seconds