Desenvolvimento de metamodelos para a determinação do consumo anual em climatização aplicado a edifícios de escritórios com sistema do tipo água gelada em diferentes climas

O consumo do sistema de climatização representa uma parcela significativa do consumo total de energia em edificações comerciais. Estimar o consumo de energia dos sistemas de climatização em condições reais de operação, devido à complexidade destes sistemas, não é uma tarefa fácil. A simulação é um método detalhado que apresenta bons resultados, mas a sua complexidade é o maior obstáculo para uma adoção mais ampla na prática. Os métodos simplificados existentes apresentam imprecisões significativas, e geralmente estimam somente a carga térmica da edificação. O objetivo desta tese foi desenvolver um método simplificado que permitisse estimar o consumo de energia anual de sistemas de climatização do tipo água gelada em edifícios de escritórios, a partir do conhecimento da carga térmica integrada anual da edificação, das características do sistema de climatização, e do clima. A estratégia adotada consistiu em gerar uma base de dados a partir da simulação de um conjunto significativo de casos, e depois treinar redes neurais artificiais com o uso destes dados. Um novo indicador climático, o cooling enthalpy hours (CEH), foi proposto e avaliado para representar os climas brasileiros. Análise de sensibilidade pelo método Sobol foi empregada para reduzir a quantidade de casos simulados. A base de dados foi obtida através da simulação de 250.000 casos no EnergyPlus. Os dados gerados foram pré-processados. Um estudo foi realizado para definir o tamanho da amostra a ser empregado no treinamento das redes neurais. Os resultados demonstraram que, nesta pesquisa, o uso de uma amostra correspondente a 15% da população é adequado ao treinamento. Redes neurais artificiais com diferentes quantidades de neurônios na camada interna foram treinadas, e os resultados mostraram que 32 neurônios na camada interna apresenta a melhor relação custo-benefício para a arquitetura de rede inicialmente idealizada. A predição de consumo realizada com o este metamodelo (RNA 32) apresentou erros elevados (superior a 40%) nos casos com climas amenos, levando a restringir o uso do metamodelo para cidades com CEH superior a 50.000. A influência da inclusão, exclusão ou alteração de variáveis de entrada também foi avaliada, e dois novos metamodelos foram obtidos (RNA 35_COP e RNA 29_sHIS). Estes três metamodelos foram utilizados para predizer o consumo anual do sistema de climatização de 66.300 novos casos, chamados casos não vistos. Todos os metamodelos apresentaram um bom desempenho, sendo escolhido como metamodelo final desta tese aquele que possuía a arquitetura de rede neural mais  simplificada (RNA 29_sHIS = 14 neurônios de entrada, 29 neurônios na camada interna e 1 neurônio de saída), que apresentou R2 =0,9789 e NRMSE=0,063788 ao predizer o consumo dos casos não vistos, e R 2 =0,9858 e NRMSE=0,067961 ao predizer o consumo dos casos da base de dados. Os erros percentuais foram inferiores a 15% em 98,4% dos casos quando o consumo foi predito para os casos da base de dados, e em 97,5% dos casos quando o consumo foi predito para os casos não vistos. Outra avaliação demonstrou que o metamodelo manteve o bom desempenho independente do nível de radiação solar do clima.