Use este identificador para citar ou linkar para este item:
https://repositorio.ufjf.br/jspui/handle/ufjf/19387Arquivos associados a este item:
| Arquivo | Descrição | Tamanho | Formato | |
|---|---|---|---|---|
| israelloubackribeirojúnior.pdf | PDF/A | 1.98 MB | Adobe PDF | Visualizar/Abrir |
| Tipo: | Trabalho de Conclusão de Curso |
| Título: | Aprendizado de máquina aplicado à análise de desempenho térmico de edificações |
| Autor(es): | Ribeiro Júnior, Israel Louback |
| Primeiro Orientador: | Mendes, Júlia Castro |
| Co-orientador: | Mendes, Vitor Freitas |
| Membro da banca: | Carvalho, Aldo Ribeiro de |
| Membro da banca: | Campos, Luciana Conceição Dias |
| Resumo: | A crescente demanda energética para o condicionamento térmico de edificações transcende a esfera ambiental, alcançando também dimensões sociais e econômicas, visto que a necessidade de manter um ambiente interno confortável acarreta custos financeiros significativos para famílias. É essencial priorizar o desempenho térmico das edificações, garantindo o menor consumo de energia possível e conforto dos usuários. Assim, o presente trabalho tem como objetivo desenvolver modelos de aprendizado de máquina (Machine Learning - ML) para prever o desempenho térmico de edificações com base nas propriedades termofísicas dos materiais utilizados em sua envoltória. Para tal, foram empregados modelos baseados em árvores de decisão aplicado a duas habitações de interesse social. Assim, foi construído um banco de dados com 35280 combinações de sistemas construtivos (35 tipos de paredes, 21 de pisos e 48 de coberturas). As avaliações do desempenho térmico foram conduzidas com as métricas de Carga Térmica (CT) e Graus-Hora (GH), a partir de simulações energéticas realizadas no software EnergyPlus, considerando o clima de três cidades: Curitiba, São Paulo e Belém. Inicialmente, utilizando todas as instâncias no treinamento do modelo, o desempenho foi satisfatório. Posteriormente, submetendo os modelos à previsão com combinações envolvendo sistemas construtivos inéditos, observou-se uma queda de desempenho nos resultados. Apesar disso, os resultados iniciais indicam uma boa capacidade de predição para combinações com sistemas conhecidos, o que reduz a necessidade de tantas simulações energéticas. Também foi explorada a técnica de transfer learning, para testar os modelos quando lidam com uma edificação distinta do treinamento. As métricas apresentaram uma queda significativa, evidenciando uma possível insuficiência de variáveis representativas, que permitissem uma melhor generalização por parte dos modelos. Conclui-se que o uso de técnicas de ML configura uma abordagem promissora para promover maior eficiência e eficácia no projeto de edificações, representando um campo com amplo potencial de desenvolvimento e aplicação. |
| Abstract: | The increasing energy demand for the thermal conditioning of buildings transcends the environmental sphere, also reaching social and economic dimensions, since the need to maintain a comfortable indoor environment entails significant financial costs for families. It is essential to prioritize the thermal performance of buildings, ensuring the lowest possible energy consumption and user comfort. Thus, the present work aims to develop machine learning (ML) models to predict the thermal performance of buildings based on the thermophysical properties of the materials used in their envelope. For this purpose, models based on decision trees were applied to two social housing units. A database with 35,280 combinations of construction systems was built (35 types of walls, 21 types of floors, and 48 types of roofs). Thermal performance assessments were conducted using the metrics of Cooling/Heating Load (CT) and Degree-Hours (GH), based on energy simulations performed in the EnergyPlus software, considering the climate of three cities: Curitiba, São Paulo, and Belém. Initially, using all instances for model training, the performance was satisfactory. Subsequently, when the models were tested with combinations involving new construction systems, a decrease in performance was observed. Despite this, the initial results indicate a good predictive capacity for combinations with known systems, which reduces the need for so many energy simulations. Transfer learning was also explored, to test the models when dealing with a building different from the training data. The metrics showed a significant decrease, highlighting a possible insufficiency of representative variables that could allow for better generalization by the models. It is concluded that the use of ML techniques constitutes a promising approach to promoting greater efficiency and effectiveness in building design, representing a field with wide potential for development and application. |
| Palavras-chave: | Aprendizado de máquina Árvore de decisão Regressão Desempenho térmico Eficiência energética Carga térmica Graus-hora Simulação energética Machine learning Decision tree Regression Thermal performance Energy efficiency Thermal load Degree-hours Energy simulation |
| CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
| Idioma: | por |
| País: | Brasil |
| Editor: | Universidade Federal de Juiz de Fora (UFJF) |
| Sigla da Instituição: | UFJF |
| Departamento: | Faculdade de Engenharia |
| Tipo de Acesso: | Acesso Aberto Attribution-NoDerivs 3.0 Brazil |
| Licenças Creative Commons: | http://creativecommons.org/licenses/by-nd/3.0/br/ |
| URI: | https://repositorio.ufjf.br/jspui/handle/ufjf/19387 |
| Data do documento: | 20-Ago-2025 |
| Aparece nas coleções: | Engenharia Computacional - TCC Graduação |
Este item está licenciado sob uma Licença Creative Commons
