Dentre as diversas tipologias existentes, as edificações escolares representam uma parte significativa no consumo de energia. Considerando que as instituições de ensino superior desempenham um papel fundamental em desenvolver um futuro mais sustentável e auxiliam nas políticas de redução de emissões de carbono destaca-se a importância do desenvolvimento de benchmark para essas tipologias. Frente a isso, este estudo tem como objetivo elaborar um benchmark de consumo de energia para edificações educacionais de ensino superior. O estudo adotou um arquétipo de edificações educacionais de ensino superior elaborado pelo Conselho Brasileiro de Construção Sustentável, criando um banco de dados por meio de simulações computacionais, variando as características da envoltória como transmitância, ocupação e padrões de uso. Inicialmente, foi realizada uma análise de sensibilidade, identificando quais parâmetros apresentavam maior influência no consumo de energia dos casos analisados. Foram selecionados 11 dados de entrada para o desenvolvimento do benchmark: Turno, ocupação, transmitância térmica da cobertura e paredes, absortância térmica das paredes e coberturas, transmitância térmica dos vidros, fator solar, sombreamento, densidade de iluminação (DPI) e orientação solar. Também foram considerados o sistema de climatização com compressor do tipo Split e Inverter, variando o COP e IDRS de cada sistema. Os dados de entrada foram variados parametricamente, para a elaboração do banco de dados. Foram considerados 9 climas brasileiros. Com base nos dados de entrada e saída das simulações (consumo de energia), observou-se que as variáveis como turno, clima, sistema de climatização e DPI apresentaram a maior influência no consumo de energia dos casos. As simulações foram realizadas por meio do programa EnergyPlus. Foram elaborados 2 metamodelos com técnicas de Máquinas de Vetores de Suporte e Redes Neurais Artificiais, e uma regressão linear com o objetivo de prever o consumo das edificações de ensino superior. Foram avaliados os valores da raiz quadrada do erro médio (RMSE) e erro absoluto médio (MAE) para cada metamodelo. O metamodelo de Máquinas de Vetores de Suporte (SVM) apresentou os menores valores de RMSE e MAE, 2,57 e 1,6 kWh/m².ano, respectivamente. Já o modelo de Redes Neurais Artificiais (ANN) apresentou valores de 2.61 e 1,8 kWh/m².ano para RMSE e MAE, indicando que o metamodelo de SVM é mais robusto e preciso que o modelo de ANN. O consumo predito pelos metamodelos foi comparado com o consumo real de universidades públicas, onde as diferenças variaram entre 1% e 20% para o metamodelo de SVM, 10% e 27% para o metamodelo de ANN e 15% e 32% para a regressão linear. Ainda, foi realizada uma comparação entre o consumo predito com simulado, para casos não vistos pelo metamodelo, apresentando diferenças entre 0% e 32%. Estabeleceu-se uma escala de eficiência energética para classificar o banco de dados estabelecido e as edificações reais de universidades. O banco de dados desenvolvido apresentou 34% das edificações classificadas como eficientes, 34% como típicas e 31% como ineficientes.
Autor:
Tiago de Castro Quevedo
Orientador:
Ana Paula Melo
Resumo:
Arquivo:
Ano de defesa: