Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
APLICAÇÃO DE RNA NA ÁREA DA SIMULAÇÃO
ENERGÉTICA DE EDIFÍCIOS
RICARDO ALMEIDA (Departamento de Engenharia Civil do Instituto Politécnico de Viseu e
CONSTRUCT-LFC, Faculdade de Engenharia da Universidade do Porto)
CONTEÚDOS
1. REDES NEURONAIS ARTIFICIAIS E DESEMPENHO ENERGÉTICO DE EDIFÍCIOS: EXEMPLOS DE APLICAÇÃO
2. CASO DE ESTUDO
2.1 ENQUADRAMENTO
2.2 APRESENTAÇÃO E METODOLOGIA
2.3 ANÁLISE DE SENSIBILIDADE
2.4 OTIMIZAÇÃO
Redes Neuronais Artificiais e Desempenho Energético de Edifícios: Exemplos de Aplicação
1.
Redes Neuronais Artificiais e Desempenho Energético de Edifícios: Exemplos de Aplicação
Ben-Nakhi and Mahmoud (2004) - Kuwait
Objetivo: otimizar os sistemas de AVAC em edifícios públicos de escritórios
Utilizaram dados reais da carga térmica para arrefecimento no período 1997-2000 para treinar RNA.
Input: dados horários da temperatura exterior nas 24 horas anteriores
Output: carga térmica de arrefecimento no dia seguinte (dados horários).
Ben-Nakhi, A. E.; Mahmoud, M. A. 2004. Cooling load prediction for buildings using general regression neural networks, Energy Conversion and Management 45(13): 2127–2141.
Redes Neuronais Artificiais e Desempenho Energético de Edifícios: Exemplos de Aplicação
Mechaqrane and Zouak (2004) - Marrocos
Objetivo: prever a temperatura interior de um edifício residencial através de RNA “otimizadas”
Foram 1872 observações para treinar as RNA.
Input: temperatura exterior, radiação solar e energia consumida pelo sistema de aquecimento.
Output: temperatura interior.
Mechaqrane, A.; Zouak, M. 2004. A comparison of linear and neural network ARX models applied to a prediction of the indoor temperature of a building, Neural Computing & Applications 13(1): 32–37.
Redes Neuronais Artificiais e Desempenho Energético de Edifícios: Exemplos de Aplicação
Boithias, El Mankibi and Michel (2012) - França
Objetivo: otimizar RNA para posterior utilização no controlo dos sistemas de AVAC
Foram utilizados resultados de simulações computacionais para treinar as RNA.
A arquitetura das RNA foi otimizada assumindo dois objetivos:
• Precisão da previsão do desconforto térmico • Precisão da previsão do consumo de energia
Boithias, F.; El Mankibi M.; Michel, P. 2012b. Genetic algorithms based optimization of artificial neural network architecture for buildings’ indoor discomfort and energy consumption prediction, Building Simulation 5(2): 95–106.
Redes Neuronais Artificiais e Desempenho Energético de Edifícios: Exemplos de Aplicação
Gossard, Lartigue and Thellier (2013) - França
Objetivo: propor uma metodologia de otimização das propriedades térmicas das paredes exteriores (coeficiente de transmissão térmica e calor específico)
Foram utilizadas RNA e algoritmos genéticos de otimização multi-objetivo.
As RNA foram treinadas para aproximar as funções objetivo.
Input: U e cp
Output: Função “energia” e função “conforto”
Gossard, D.; Lartigue, B.; Thellier, F. 2013. Multi-objective optimization of a building envelope for thermal performance using genetic algorithms and artificial neural network, Energy and Buildings 67(0): 253–260.
Caso de Estudo
2.
Caso de Estudo - Enquadramento
TEMPERATURA MÉDIA [ºC]
Sala R/C Sala P1 Sala P1_A Sala P1_B
16,3 15,3 14,1 14,2
Problemas de sobreaquecimento
nas escolas reabilitadas!
Necessidade de aquecimento
em escolas não-reabilitadas
Caso de Estudo - Enquadramento
• A = 50 m2
• 21 ocupantes Implicações construtivas (e
económicas...) muito significativas!
Caso de Estudo - Enquadramento
1000ppm
As questões da
ventilação/qualidade do ar interior
não ficaram resolvidas com as
intervenções de reabilitação!
1250ppm
Caso de Estudo - Apresentação e Metodologia
• U das paredes
• U das coberturas
• U e g dos envidraçados
• RPH
• Energia para
aquecimento
• Sobreaquecimento
• Ventilação
• Sem isolamento
• Vidro simples
• Sem sistema de aquecimento
• Ventilação natural (abertura de janelas)
ESCOLA TIPO A
Caso de Estudo - Apresentação e Metodologia
• Sem isolamento
• Vidro simples
• Sem sistema de aquecimento
• Ventilação natural (abertura de janelas)
ESCOLA TIPO B
Caso de Estudo - Apresentação e Metodologia
Espaço Metabolismo
[W/ocupante]
Densidade
[ocupantes/m2]
Perfil diário de ocupação
(2ª a 6ª feira)
Sala de aula 94 0,40
Corredores 112 0,60
Arrumos 112 0,10
Instalação
Sanitária 112 0,60
• Simulações anuais
• Outputs horários
• Validação com as medições
GANHOS INTERNOS VARIÁVEIS
Upar
[W/(m2.ºC)]
Ucob
[W/(m2.ºC)]
Uvidro
[W/(m2.ºC)]
g
[-]
RPH
[h-1]
ATUAL Escola A 0,96 2,51 6,20 0,82 0,25
Escola B 0,96 1,50 6,20 0,82 0,25
Máximo 1,80 3,00 6,20 0,90 5,00
Mínimo 0,25 0,25 1,0 0,20 0,10
Caso de Estudo - Apresentação e Metodologia
LOCALIZAÇÕES
FUNÇÕES DE AVALIAÇÃO DO DESEMPENHO
CTS
QRPHgUUUf a
aq
vidrocobpar º20,,,,1
CTseS
TRPHgUUUf a
a
vidrocobpar º2525
,,,,2
• Qaq Carga térmica de aquecimento [kWh]
• Ta Temperatura do ar [ºC]
• S Área [m2]
Caso de Estudo - Apresentação e Metodologia
SOLUÇÃO CONSTRUCTIVA SIMULAÇÃO COMPUTACIONAL
OPTIMIZAÇÃO
Caso de Estudo - Apresentação e Metodologia
SOLUÇÃO CONSTRUCTIVA
OPTIMIZAÇÃO
REDES NEURONAIS ARTIFICIAIS
Caso de Estudo - Apresentação e Metodologia
COMBINAÇÕES PARA CADA ESCOLA TIPO
PORTO
LISBOA
BRAGANÇA
LOCALIZAÇÃO
NORTE
ESTE
SUL
OESTE
ORIENTAÇÃO
RÉS DO CHÃO
1º PISO
PISO
f1
f2
FUNÇÃO
FORAM CRIADAS 96 RNA
3840 SIMULAÇÕES ANUAIS 160 PARA CADA REDE NEURONAL
• 150 para treino • 10 para validação
Variável A
Va
riá
ve
l B
LATIN HYPERCUBE SAMPLING
Caso de Estudo - Apresentação e Metodologia
ARQUITETURA
• Multilayer feedforward com backpropagation • 20 neurónios, 5 inputs, 1 output • Algoritmo de treino: Levenberg-Marquardt com Bayesian regulation
BIAS f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
f
Out f1 ou f2
BIAS
f
I1
I2
I3
I4
I5
Upar
Ucob
Uvidro
g
RPH
Caso de Estudo - Apresentação e Metodologia
PROCESSO AUTOMATIZADO
Criar os 160 ficheiros de input do E+
Correr o E+ consecutivamente
Extrair do output a informação necessária para o cálculo das
funções f1 e f2
Criar as RNA e validar
Caso de Estudo - Apresentação e Metodologia
VALIDAÇÃO
10
1
2
10
1
2
2 1
i i
i ii
yy
pyR
Caso de Estudo - Apresentação e Metodologia
VALIDAÇÃO
PORTO LISBOA BRAGANÇA
MÉDIAS f1 f2 f1 f2 f1 f2
NORTE r/c 0,9990 0,9727 0,9989 0,9800 0,9990 0,9252 0,9791
0,9860
0,9818
1º piso 0,9978 0,9952 0,9969 0,9832 0,9983 0,9865 0,9929
ESTE r/c 0,9990 0,9766 0,9989 0,9784 0,9990 0,9045 0,9761
0,9841 1º piso 0,9979 0,9840 0,9969 0,9864 0,9979 0,9899 0,9922
SUL r/c 0,9990 0,9323 0,9988 0,9711 0,9990 0,9480 0,9580
0,9751 1º piso 0,9980 0,9871 0,9963 0,9865 0,9978 0,9872 0,9921
OESTE r/c 0,9990 0,9751 0,9988 0,9719 0,9989 0,9130 0,9761
0,9821 1º piso 0,9980 0,9886 0,9966 0,9670 0,9983 0,9796 0,9880
MÉDIAS
0,9984 0,9764 0,9978 0,9781 0,9985 0,9417
0,9874 0,9879 0,9701
0,9818
PORTO LISBOA BRAGANÇA
MÉDIAS f1 f2 f1 f2 f1 f2
NORTE r/c 0,9953 0,9618 0,9939 0,9756 0,9973 0,9839 0,9846
0,9881
0,9892
1º piso 0,9959 0,9876 0,9953 0,9839 0,9961 0,9912 0,9916
ESTE r/c 0,9956 0,9444 0,9949 0,9854 0,9971 0,9864 0,9840
0,9878 1º piso 0,9961 0,9767 0,9960 0,9955 0,9964 0,9892 0,9917
SUL r/c 0,9956 0,9790 0,9952 0,9907 0,9936 0,9899 0,9907
0,9923 1º piso 0,9960 0,9955 0,9943 0,9873 0,9968 0,9937 0,9939
OESTE r/c 0,9955 0,9772 0,9951 0,9823 0,9971 0,9759 0,9872
0,9884 1º piso 0,9954 0,9779 0,9949 0,9822 0,9967 0,9904 0,9896
MÉDIAS
0,9957 0,9750 0,9949 0,9854 0,9964 0,9876
0,9853 0,9902 0,9920
0,9892
ESCOLA TIPO A ESCOLA TIPO B
Caso de Estudo - Apresentação e Metodologia
CARACTERIZAÇÃO DO ESTADO ATUAL DOS EDIFÍCIOS
f1 – Energia (escola tipo A)
• Carga térmica para aquecimento superior no 1º piso • Perdas térmicas pela cobertura são significativas
Caso de Estudo – Análise de Sensibilidade
CARACTERIZAÇÃO DO ESTADO ATUAL DOS EDIFÍCIOS
f2 – Sobreaquecimento (escola tipo A)
• Sobreaquecimento é um problema exclusivo das salas do 1º piso • As salas de aula mais quentes são as orientadas a Sul e a Este
Caso de Estudo – Análise de Sensibilidade
ANÁLISE DE SENSIBILIDADE
COEFICIENTE DE TRANSMISSÃO TÉRMICA DAS PAREDES
• Isolamento das paredes exteriores permite uma redução de até 40% na energia para aquecimento
• No entanto, implica um agravamento do sobreaquecimento das salas de aula
ESCOLA TIPO A Orientação Sul
Caso de Estudo – Análise de Sensibilidade
ANÁLISE DE SENSIBILIDADE
COEFICIENTE DE TRANSMISSÃO TÉRMICA DA COBERTURA
• Isolamento da cobertura permite uma redução de até 70% na energia para aquecimento
• Em relação ao sobreaquecimento o seu efeito não é tão claro
ESCOLA TIPO A Orientação Sul
Caso de Estudo – Análise de Sensibilidade
ANÁLISE DE SENSIBILIDADE
COEFICIENTE DE TRANSMISSÃO TÉRMICA E FATOR SOLAR DOS ENVIDRAÇADOS
• Efeito semelhante ao das paredes exteriores • Fator solar sem grande significado, uma vez que no modelo considerou-se
que as proteções solares atuam sempre que a radiação solar total incidente ultrapassa os 120 W/m2
ESCOLA TIPO A Orientação Sul
Caso de Estudo – Análise de Sensibilidade
ANÁLISE DE SENSIBILIDADE
RENOVAÇÕES HORÁRIAS
• A variável RPH é a mais importante para o desempenho do edifício • Considerando os requisitos regulamentares de ar novo para as salas de aula
atualmente em vigor, a sua implementação nestes edifícios de uma forma isolada, sem melhoria da envolvente exterior, traduzir-se-ia num aumento das necessidades energéticas entre 300 e 700%
• Obviamente que o seu impacto no problema do sobreaquecimento das salas de aula seria positivo
ESCOLA TIPO A Orientação Sul
Caso de Estudo – Análise de Sensibilidade
Caso de Estudo – Otimização
OPTIMIZAÇÃO MULTI-OBJECTIVO DO DESEMPENHO
FRENTE DE PARETO MÉTODO DOS PESOS
ANÁLISE TÉCNICO-ECONÓMICA DE SOLUÇÕES CONSTRUCTIVAS
OTIMIZAÇÃO MULTI-OBJECTIVO
ANÁLISE DE CUSTOS DE CICLO DE VIDA
Caso de Estudo – Otimização
OTIMIZAÇÃO MULTI-OBJECTIVO – FRENTE DE PARETO
Minimizar
CTseS
TRPHgUUUf
CTS
QRPHgUUUf
a
a
vidrocobpar
a
aq
vidrocobpar
º2525
,,,,
º20,,,,
2
1
2 escolas x 3 localizações x 4 orientações = 24 optimizações
ESCOLA TIPO A Orientação Este
• Nas três localizações existe um grande potencial de melhoria do desempenho
• A potencialidade de melhoria no desempenho destes edifícios está muito condicionada pela sua localização devido às diferenças existentes no respectivo clima exterior
Caso de Estudo – Otimização
REPRESENTAÇÃO DA ANÁLISE PARAMÉTRICA NA FRENTE DE PARETO
ESCOLA TIPO A Orientação Este
Bragança
Grande parte das soluções óptimas correspondem a cenários construtivos irrealistas, principalmente no que se refere às renovações horárias, com valores muito baixos que não conduziriam a adequadas condições de QAI.
Caso de Estudo – Otimização
FRENTE DE PARETO COM RPH≥1,50
ESCOLA TIPO A Orientação Este
A solução de reabilitação a adoptar vai sempre conduzir a um aumento das necessidades de energia para aquecimento!!!
Caso de Estudo – Otimização
MÉTODO DOS PESOS
Minimizar 21 5,05,0 ffXF
ESCOLA TIPO A Orientação Este
PORTO
ESCOLA TIPO A Orientação Este
LISBOA
ESCOLA TIPO A Orientação Este
BRAGANÇA
A solução é fortemente
condicionada pela escolha dos pesos.
Caso de Estudo – Otimização
ANÁLISE TÉCNICO-ECONÓMICA: Otimização Multi-Objectivo / 3 Funções
cob
cobinicob
par
parinipar
isoisocobpar AUU
AUU
CUUf1111
,3 Diferencial de Investimento
Caso de Estudo – Otimização
ANÁLISE DE CUSTOS DE CICLO DE VIDA
subimanieniinvi CCCCCCV
iinienene
iini
isoisoi NNcTAUU
SCCCV
11 RNA (f1)
FERRAMENTA DE CÁLCULO
Permite optimizar, do ponto de vista da análise custo/benefício, a espessura de isolamento térmico a aplicar na parede exterior e na cobertura, a partir da definição do cenário económico.
Caso de Estudo – Otimização
DADOS DE ENTRADA
• Período de análise [anos]
• Custo do kWh [€/kWh]
• Taxa de juro nominal [%]
• Taxa de inflação [%]
• Variação do custo da energia [%]
CENÁRIO ECONÓMICO:
RESULTADOS
Caso de Estudo – Otimização
O RESULTADO FINAL É ALTAMENTE DEPENDENTE DO CENÁRIO ECONÓMICO!
APLICAÇÃO DE RNA NA ÁREA DA SIMULAÇÃO
ENERGÉTICA DE EDIFÍCIOS
RICARDO ALMEIDA (Departamento de Engenharia Civil do Instituto Politécnico de Viseu e
CONSTRUCT-LFC, Faculdade de Engenharia da Universidade do Porto)