PowerPoint Presentation Almeida.pdf · 2015. 10. 1. · • A variável RPH é a mais importante para o desempenho do edifício • Considerando os requisitos regulamentares de ar

APLICAÇÃO DE RNA NA ÁREA DA SIMULAÇÃO

ENERGÉTICA DE EDIFÍCIOS

RICARDO ALMEIDA (Departamento de Engenharia Civil do Instituto Politécnico de Viseu e

CONSTRUCT-LFC, Faculdade de Engenharia da Universidade do Porto)

CONTEÚDOS

1. REDES NEURONAIS ARTIFICIAIS E DESEMPENHO ENERGÉTICO DE EDIFÍCIOS: EXEMPLOS DE APLICAÇÃO

2. CASO DE ESTUDO

2.1 ENQUADRAMENTO

2.2 APRESENTAÇÃO E METODOLOGIA

2.3 ANÁLISE DE SENSIBILIDADE

2.4 OTIMIZAÇÃO

Redes Neuronais Artificiais e Desempenho Energético de Edifícios: Exemplos de Aplicação

1.


Ben-Nakhi and Mahmoud (2004) - Kuwait

Objetivo: otimizar os sistemas de AVAC em edifícios públicos de escritórios

Utilizaram dados reais da carga térmica para arrefecimento no período 1997-2000 para treinar RNA.

Input: dados horários da temperatura exterior nas 24 horas anteriores

Output: carga térmica de arrefecimento no dia seguinte (dados horários).

Ben-Nakhi, A. E.; Mahmoud, M. A. 2004. Cooling load prediction for buildings using general regression neural networks, Energy Conversion and Management 45(13): 2127–2141.


Mechaqrane and Zouak (2004) - Marrocos

Objetivo: prever a temperatura interior de um edifício residencial através de RNA “otimizadas”

Foram 1872 observações para treinar as RNA.

Input: temperatura exterior, radiação solar e energia consumida pelo sistema de aquecimento.

Output: temperatura interior.

Mechaqrane, A.; Zouak, M. 2004. A comparison of linear and neural network ARX models applied to a prediction of the indoor temperature of a building, Neural Computing & Applications 13(1): 32–37.


Boithias, El Mankibi and Michel (2012) - França

Objetivo: otimizar RNA para posterior utilização no controlo dos sistemas de AVAC

Foram utilizados resultados de simulações computacionais para treinar as RNA.

A arquitetura das RNA foi otimizada assumindo dois objetivos:

• Precisão da previsão do desconforto térmico • Precisão da previsão do consumo de energia

Boithias, F.; El Mankibi M.; Michel, P. 2012b. Genetic algorithms based optimization of artificial neural network architecture for buildings’ indoor discomfort and energy consumption prediction, Building Simulation 5(2): 95–106.


Gossard, Lartigue and Thellier (2013) - França

Objetivo: propor uma metodologia de otimização das propriedades térmicas das paredes exteriores (coeficiente de transmissão térmica e calor específico)

Foram utilizadas RNA e algoritmos genéticos de otimização multi-objetivo.

As RNA foram treinadas para aproximar as funções objetivo.

Input: U e cp

Output: Função “energia” e função “conforto”

Gossard, D.; Lartigue, B.; Thellier, F. 2013. Multi-objective optimization of a building envelope for thermal performance using genetic algorithms and artificial neural network, Energy and Buildings 67(0): 253–260.

Caso de Estudo

2.

Caso de Estudo - Enquadramento

TEMPERATURA MÉDIA [ºC]

Sala R/C Sala P1 Sala P1_A Sala P1_B

16,3 15,3 14,1 14,2

Problemas de sobreaquecimento

nas escolas reabilitadas!

Necessidade de aquecimento

em escolas não-reabilitadas


• A = 50 m2

• 21 ocupantes Implicações construtivas (e

económicas...) muito significativas!


1000ppm

As questões da

ventilação/qualidade do ar interior

não ficaram resolvidas com as

intervenções de reabilitação!

1250ppm

Caso de Estudo - Apresentação e Metodologia

• U das paredes

• U das coberturas

• U e g dos envidraçados

• RPH

• Energia para

aquecimento

• Sobreaquecimento

• Ventilação

• Sem isolamento

• Vidro simples

• Sem sistema de aquecimento

• Ventilação natural (abertura de janelas)

ESCOLA TIPO A


• Sem isolamento

• Vidro simples

• Sem sistema de aquecimento

• Ventilação natural (abertura de janelas)

ESCOLA TIPO B


Espaço Metabolismo

[W/ocupante]

Densidade

[ocupantes/m2]

Perfil diário de ocupação

(2ª a 6ª feira)

Sala de aula 94 0,40

Corredores 112 0,60

Arrumos 112 0,10

Instalação

Sanitária 112 0,60

• Simulações anuais

• Outputs horários

• Validação com as medições

GANHOS INTERNOS VARIÁVEIS

Upar

[W/(m2.ºC)]

Ucob

[W/(m2.ºC)]

Uvidro

[W/(m2.ºC)]

g

[-]

RPH

[h-1]

ATUAL Escola A 0,96 2,51 6,20 0,82 0,25

Escola B 0,96 1,50 6,20 0,82 0,25

Máximo 1,80 3,00 6,20 0,90 5,00

Mínimo 0,25 0,25 1,0 0,20 0,10


LOCALIZAÇÕES

FUNÇÕES DE AVALIAÇÃO DO DESEMPENHO

CTS

QRPHgUUUf a

aq

vidrocobpar º20,,,,1

CTseS

TRPHgUUUf a

a

vidrocobpar º2525

,,,,2

• Qaq Carga térmica de aquecimento [kWh]

• Ta Temperatura do ar [ºC]

• S Área [m2]


SOLUÇÃO CONSTRUCTIVA SIMULAÇÃO COMPUTACIONAL

OPTIMIZAÇÃO


SOLUÇÃO CONSTRUCTIVA

OPTIMIZAÇÃO

REDES NEURONAIS ARTIFICIAIS


COMBINAÇÕES PARA CADA ESCOLA TIPO

PORTO

LISBOA

BRAGANÇA

LOCALIZAÇÃO

NORTE

ESTE

SUL

OESTE

ORIENTAÇÃO

RÉS DO CHÃO

1º PISO

PISO

f1

f2

FUNÇÃO

FORAM CRIADAS 96 RNA

3840 SIMULAÇÕES ANUAIS 160 PARA CADA REDE NEURONAL

• 150 para treino • 10 para validação

Variável A

Va

riá

ve

l B

LATIN HYPERCUBE SAMPLING


ARQUITETURA

• Multilayer feedforward com backpropagation • 20 neurónios, 5 inputs, 1 output • Algoritmo de treino: Levenberg-Marquardt com Bayesian regulation

BIAS f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

f

Out f1 ou f2

BIAS

f

I1

I2

I3

I4

I5

Upar

Ucob

Uvidro

g

RPH


PROCESSO AUTOMATIZADO

Criar os 160 ficheiros de input do E+

Correr o E+ consecutivamente

Extrair do output a informação necessária para o cálculo das

funções f1 e f2

Criar as RNA e validar


VALIDAÇÃO

10

1

2

10

1

2

2 1

i i

i ii

yy

pyR


VALIDAÇÃO

PORTO LISBOA BRAGANÇA

MÉDIAS f1 f2 f1 f2 f1 f2

NORTE r/c 0,9990 0,9727 0,9989 0,9800 0,9990 0,9252 0,9791

0,9860

0,9818

1º piso 0,9978 0,9952 0,9969 0,9832 0,9983 0,9865 0,9929

ESTE r/c 0,9990 0,9766 0,9989 0,9784 0,9990 0,9045 0,9761

0,9841 1º piso 0,9979 0,9840 0,9969 0,9864 0,9979 0,9899 0,9922

SUL r/c 0,9990 0,9323 0,9988 0,9711 0,9990 0,9480 0,9580

0,9751 1º piso 0,9980 0,9871 0,9963 0,9865 0,9978 0,9872 0,9921

OESTE r/c 0,9990 0,9751 0,9988 0,9719 0,9989 0,9130 0,9761

0,9821 1º piso 0,9980 0,9886 0,9966 0,9670 0,9983 0,9796 0,9880

MÉDIAS

0,9984 0,9764 0,9978 0,9781 0,9985 0,9417

0,9874 0,9879 0,9701

0,9818

PORTO LISBOA BRAGANÇA

MÉDIAS f1 f2 f1 f2 f1 f2

NORTE r/c 0,9953 0,9618 0,9939 0,9756 0,9973 0,9839 0,9846

0,9881

0,9892

1º piso 0,9959 0,9876 0,9953 0,9839 0,9961 0,9912 0,9916

ESTE r/c 0,9956 0,9444 0,9949 0,9854 0,9971 0,9864 0,9840

0,9878 1º piso 0,9961 0,9767 0,9960 0,9955 0,9964 0,9892 0,9917

SUL r/c 0,9956 0,9790 0,9952 0,9907 0,9936 0,9899 0,9907

0,9923 1º piso 0,9960 0,9955 0,9943 0,9873 0,9968 0,9937 0,9939

OESTE r/c 0,9955 0,9772 0,9951 0,9823 0,9971 0,9759 0,9872

0,9884 1º piso 0,9954 0,9779 0,9949 0,9822 0,9967 0,9904 0,9896

MÉDIAS

0,9957 0,9750 0,9949 0,9854 0,9964 0,9876

0,9853 0,9902 0,9920

0,9892

ESCOLA TIPO A ESCOLA TIPO B


CARACTERIZAÇÃO DO ESTADO ATUAL DOS EDIFÍCIOS

f1 – Energia (escola tipo A)

• Carga térmica para aquecimento superior no 1º piso • Perdas térmicas pela cobertura são significativas

Caso de Estudo – Análise de Sensibilidade

CARACTERIZAÇÃO DO ESTADO ATUAL DOS EDIFÍCIOS

f2 – Sobreaquecimento (escola tipo A)

• Sobreaquecimento é um problema exclusivo das salas do 1º piso • As salas de aula mais quentes são as orientadas a Sul e a Este


ANÁLISE DE SENSIBILIDADE

COEFICIENTE DE TRANSMISSÃO TÉRMICA DAS PAREDES

• Isolamento das paredes exteriores permite uma redução de até 40% na energia para aquecimento

• No entanto, implica um agravamento do sobreaquecimento das salas de aula

ESCOLA TIPO A Orientação Sul



COEFICIENTE DE TRANSMISSÃO TÉRMICA DA COBERTURA

• Isolamento da cobertura permite uma redução de até 70% na energia para aquecimento

• Em relação ao sobreaquecimento o seu efeito não é tão claro




COEFICIENTE DE TRANSMISSÃO TÉRMICA E FATOR SOLAR DOS ENVIDRAÇADOS

• Efeito semelhante ao das paredes exteriores • Fator solar sem grande significado, uma vez que no modelo considerou-se

que as proteções solares atuam sempre que a radiação solar total incidente ultrapassa os 120 W/m2




RENOVAÇÕES HORÁRIAS

• A variável RPH é a mais importante para o desempenho do edifício • Considerando os requisitos regulamentares de ar novo para as salas de aula

atualmente em vigor, a sua implementação nestes edifícios de uma forma isolada, sem melhoria da envolvente exterior, traduzir-se-ia num aumento das necessidades energéticas entre 300 e 700%

• Obviamente que o seu impacto no problema do sobreaquecimento das salas de aula seria positivo



Caso de Estudo – Otimização

OPTIMIZAÇÃO MULTI-OBJECTIVO DO DESEMPENHO

FRENTE DE PARETO MÉTODO DOS PESOS

ANÁLISE TÉCNICO-ECONÓMICA DE SOLUÇÕES CONSTRUCTIVAS

OTIMIZAÇÃO MULTI-OBJECTIVO

ANÁLISE DE CUSTOS DE CICLO DE VIDA


OTIMIZAÇÃO MULTI-OBJECTIVO – FRENTE DE PARETO

Minimizar

CTseS

TRPHgUUUf

CTS

QRPHgUUUf

a

a

vidrocobpar

a

aq

vidrocobpar

º2525

,,,,

º20,,,,

2

1

2 escolas x 3 localizações x 4 orientações = 24 optimizações

ESCOLA TIPO A Orientação Este

• Nas três localizações existe um grande potencial de melhoria do desempenho

• A potencialidade de melhoria no desempenho destes edifícios está muito condicionada pela sua localização devido às diferenças existentes no respectivo clima exterior


REPRESENTAÇÃO DA ANÁLISE PARAMÉTRICA NA FRENTE DE PARETO


Bragança

Grande parte das soluções óptimas correspondem a cenários construtivos irrealistas, principalmente no que se refere às renovações horárias, com valores muito baixos que não conduziriam a adequadas condições de QAI.


FRENTE DE PARETO COM RPH≥1,50


A solução de reabilitação a adoptar vai sempre conduzir a um aumento das necessidades de energia para aquecimento!!!


MÉTODO DOS PESOS

Minimizar 21 5,05,0 ffXF


PORTO


LISBOA


BRAGANÇA

A solução é fortemente

condicionada pela escolha dos pesos.


ANÁLISE TÉCNICO-ECONÓMICA: Otimização Multi-Objectivo / 3 Funções

cob

cobinicob

par

parinipar

isoisocobpar AUU

AUU

CUUf1111

,3 Diferencial de Investimento


ANÁLISE DE CUSTOS DE CICLO DE VIDA

subimanieniinvi CCCCCCV

iinienene

iini

isoisoi NNcTAUU

SCCCV

11 RNA (f1)

FERRAMENTA DE CÁLCULO

Permite optimizar, do ponto de vista da análise custo/benefício, a espessura de isolamento térmico a aplicar na parede exterior e na cobertura, a partir da definição do cenário económico.


DADOS DE ENTRADA

• Período de análise [anos]

• Custo do kWh [€/kWh]

• Taxa de juro nominal [%]

• Taxa de inflação [%]

• Variação do custo da energia [%]

CENÁRIO ECONÓMICO:

RESULTADOS


O RESULTADO FINAL É ALTAMENTE DEPENDENTE DO CENÁRIO ECONÓMICO!

APLICAÇÃO DE RNA NA ÁREA DA SIMULAÇÃO

ENERGÉTICA DE EDIFÍCIOS

RICARDO ALMEIDA (Departamento de Engenharia Civil do Instituto Politécnico de Viseu e

CONSTRUCT-LFC, Faculdade de Engenharia da Universidade do Porto)

Documents

PowerPoint Presentation Almeida.pdf · 2015. 10. 1. · • A variável RPH é a mais importante para o desempenho do edifício • Considerando os requisitos regulamentares de ar