Metamodelagem dinâmica aplicada à carga térmica de refrigeração de escritórios condicionados artificialmente em climas brasileiros

Esta tese desenvolveu uma metamodelagem dinâmica, aplicada à carga térmica de refrigeração de escritórios condicionados artificialmente, em climas brasileiros. A metamodelagem dinâmica consiste em um processo iterativo de desenvolvimento do metamodelo, realizado a partir de amostragens adaptativas, que ocorre até que o critério de parada seja alcançado. No processo de metamodelagem foram incluídas variações em diversos parâmetros da geometria, da envoltória, das cargas internas, do entorno, e uma ampla faixa de temperaturas de controle para condicionamento das zonas térmicas da edificação. À medida que aplicações baseadas em metamodelos necessitam abranger numerosas combinações de edificações e localidades, o processo de metamodelagem deve priorizar uma amostragem eficiente e vasta aplicabilidade climática. A amostragem visa a maior diversidade de casos, com o menor número de simulações, enquanto a vasta aplicabilidade permite a utilização do metamodelo em múltiplas localidades. A discrepância das amostras definiu qual técnica de amostragem seria utilizada no processo de metamodelagem. Dentre as técnicas de amostragem analisadas, a sequência de Sobol apresentou os menores valores de discrepância, cobrindo mais uniformemente o espaço amostral. A adoção da temperatura de bulbo seco, da temperatura de ponto de orvalho e da radiação horizontal global, em valores médios mensais forneceu alta diversidade de dados climáticos a partir de poucas simulações, tornando o processo de metamodelagem mais eficiente. Estas variáveis climáticas foram selecionadas a partir de análises exploratórias entre a carga térmica de refrigeração em edificações de escritório e dados climáticos de 411 localidades brasileiras. A característica adaptativa da amostragem possibilitou desenvolver a base de dados de forma incremental, evitando o descarte das simulações anteriores. O critério para interromper a metamodelagem dinâmica foi a raiz do erro quadrático médio (RMSE) da rede neural, estabelecido em 2 kWh/m², de forma a concentrar as análises da pesquisa no início do processo de metamodelagem. As redes neurais artificiais alcançaram este valor após consumir dados de apenas 400 simulações e foram validadas em baterias de teste, através de milhares de combinações nunca vistas, de zonas térmicas e climas. Na validação, os valores normalizados da raiz do erro quadrático médio (NRMSE) obtidos para a rede neural artificial da última iteração foram de apenas 2,5%. A simplificação da arquitetura das redes neurais, com camadas ocultas de 32 e 16 neurônios, visou evitar a ocorrência de overfitting nas primeiras iterações da metamodelagem dinâmica. Ao realizar a amostragem com a técnica que obteve a maior discrepância (Halton), os valores de NRMSE obtidos foram de 70% a 100% superiores àqueles obtidos com a técnica de menor discrepância (Sobol), o que reforça a importância da amostragem para o desenvolvimento de metamodelos a partir de simulações. A maior eficiência em preencher o espaço amostral também reduziu a quantidade de simulações fornecidas às redes neurais artificiais para atingir a acurácia desejada. Caso a aplicação do metamodelo demande uma acurácia mais elevada, esta pode ser aumentada progressivamente, dando continuidade à metamodelagem dinâmica.