Metamodelo para estimar a carga térmica de edificações condicionadas artificialmente

Simulações computacionais são os métodos mais avançados para predição do desempenho energético de edificações. Por outro lado, métodos estatísticos de funções de inferência baseadas em amostras são mais rápidos e simples de serem utilizados. Logo, para combinar as funcionalidades principais de simulações computacionais com o poder das predições estatísticas, existem os modelos híbridos, chamados metamodelos. O objetivo desta tese é desenvolver um metamodelo para estimar a carga integrada anual de energia para refrigeração para avaliação de desempenho energético de edificações condicionadas artificialmente através do desempenho individual de suas zonas térmicas. Foi construída uma base de dados de 1,29 milhões de casos simulados de uma zona térmica, variando parâmetros construtivos e de uso para o clima de Florianópolis. Uma amostra desta base de dados foi utilizada para elaboração de metamodelos com as técnicas de regressão linear múltipla, regressão adaptativa multivariada por splines, processo gaussiano, máquina de vetores de suporte, Randon Forest e redes neurais artificiais. Estes metamodelos foram comparados quanto ao seu desempenho e ao tempo de processamento computacional, e o metamodelo de maior desempenho foi apurado para diferentes tamanhos de amostra e diferentes configurações de sua estrutura. Por fim, um metamodelo de rede neural artificial treinado com aproximadamente 13 mil casos e 72 nós na camada interna reproduziu o resultado de 1,29 milhões de casos com erros menores que 10% para 99,2% dos resultados. Este tipo de metamodelo pode ser aplicados em dimensionamento de sistemas de condicionamento de ar, em tomadas de decisão no desenvolvimento de projetos e na avaliação de desempenho de certificações e regulamentos.