Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios
Resumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do e...
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Associação Nacional de Tecnologia do Ambiente Construído
|
| Series: | Ambiente Construído |
| Subjects: | |
| Online Access: | http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103&lng=en&tlng=en |
| _version_ | 1828359194056589312 |
|---|---|
| author | Grasiele Regina Duarte Leonardo Goliatt da Fonseca Priscila Vanessa Zabala Capriles Goliatt Afonso Celso de Castro Lemonge |
| author_facet | Grasiele Regina Duarte Leonardo Goliatt da Fonseca Priscila Vanessa Zabala Capriles Goliatt Afonso Celso de Castro Lemonge |
| author_sort | Grasiele Regina Duarte |
| collection | DOAJ |
| description | Resumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do edifício, propriedades do material, custos do projeto, condições do tempo no local e impacto ambiental. Esses métodos requerem uma fase de treinamento que considera uma base de dados construída a partir de variáveis selecionadas no domínio do problema. Este trabalho avalia o desempenho de quatro métodos de aprendizado de máquina na predição de cargas de resfriamento e aquecimento de edifícios residenciais. A base de dados do treinamento consiste de oito variáveis de entrada e duas variáveis de saída, todas derivadas de projetos de edifícios. Os métodos foram selecionados de acordo com uma pesquisa exaustiva e ajustados por uma estratégia com validação cruzada. Para a avaliação foram usadas quatro medidas estatísticas de desempenho e um índice de sintetização e resultados. Essa estratégia resultou em algoritmos com parâmetros otimizados e permitiu obter resultados competitivos com os apresentados na literatura. |
| first_indexed | 2024-04-14T03:39:14Z |
| format | Article |
| id | doaj.art-0b66ad7516314c68a5cac1af194f4fa0 |
| institution | Directory Open Access Journal |
| issn | 1678-8621 |
| language | English |
| last_indexed | 2024-04-14T03:39:14Z |
| publisher | Associação Nacional de Tecnologia do Ambiente Construído |
| record_format | Article |
| series | Ambiente Construído |
| spelling | doaj.art-0b66ad7516314c68a5cac1af194f4fa02022-12-22T02:14:36ZengAssociação Nacional de Tecnologia do Ambiente ConstruídoAmbiente Construído1678-862117310311510.1590/s1678-86212017000300165S1678-86212017000300103Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifíciosGrasiele Regina DuarteLeonardo Goliatt da FonsecaPriscila Vanessa Zabala Capriles GoliattAfonso Celso de Castro LemongeResumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do edifício, propriedades do material, custos do projeto, condições do tempo no local e impacto ambiental. Esses métodos requerem uma fase de treinamento que considera uma base de dados construída a partir de variáveis selecionadas no domínio do problema. Este trabalho avalia o desempenho de quatro métodos de aprendizado de máquina na predição de cargas de resfriamento e aquecimento de edifícios residenciais. A base de dados do treinamento consiste de oito variáveis de entrada e duas variáveis de saída, todas derivadas de projetos de edifícios. Os métodos foram selecionados de acordo com uma pesquisa exaustiva e ajustados por uma estratégia com validação cruzada. Para a avaliação foram usadas quatro medidas estatísticas de desempenho e um índice de sintetização e resultados. Essa estratégia resultou em algoritmos com parâmetros otimizados e permitiu obter resultados competitivos com os apresentados na literatura.http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103&lng=en&tlng=enEnergy efficiencyHeating and cooling loadsMachine learning |
| spellingShingle | Grasiele Regina Duarte Leonardo Goliatt da Fonseca Priscila Vanessa Zabala Capriles Goliatt Afonso Celso de Castro Lemonge Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios Ambiente Construído Energy efficiency Heating and cooling loads Machine learning |
| title | Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
| title_full | Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
| title_fullStr | Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
| title_full_unstemmed | Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
| title_short | Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios |
| title_sort | uma comparacao de tecnicas de aprendizado de maquina para a previsao de cargas energeticas em edificios |
| topic | Energy efficiency Heating and cooling loads Machine learning |
| url | http://www.scielo.br/scielo.php?script=sci_arttext&pid=S1678-86212017000300103&lng=en&tlng=en |
| work_keys_str_mv | AT grasielereginaduarte umacomparacaodetecnicasdeaprendizadodemaquinaparaaprevisaodecargasenergeticasemedificios AT leonardogoliattdafonseca umacomparacaodetecnicasdeaprendizadodemaquinaparaaprevisaodecargasenergeticasemedificios AT priscilavanessazabalacaprilesgoliatt umacomparacaodetecnicasdeaprendizadodemaquinaparaaprevisaodecargasenergeticasemedificios AT afonsocelsodecastrolemonge umacomparacaodetecnicasdeaprendizadodemaquinaparaaprevisaodecargasenergeticasemedificios |