Metamodelagem dinâmica aplicada à carga térmica de refrigeração de escritórios condicionados artificialmente em climas brasileiros

Abstract

Esta tese desenvolveu uma metamodelagem dinâmica, aplicada à carga térmica de refrigeração de escritórios condicionados artificialmente, em climas brasileiros. A metamodelagem dinâmica consiste em um processo iterativo de desenvolvimento do metamodelo, realizado a partir de amostragens adaptativas, que ocorre até que o critério de parada seja alcançado. No processo de metamodelagem foram incluídas variações em diversos parâmetros da geometria, da envoltória, das cargas internas, do entorno, e uma ampla faixa de temperaturas de controle para condicionamento das zonas térmicas da edificação. À medida que aplicações baseadas em metamodelos necessitam abranger numerosas combinações de edificações e localidades, o processo de metamodelagem deve priorizar uma amostragem eficiente e vasta aplicabilidade climática. A amostragem visa a maior diversidade de casos, com o menor número de simulações, enquanto a vasta aplicabilidade permite a utilização do metamodelo em múltiplas localidades. A discrepância das amostras definiu qual técnica de amostragem seria utilizada no processo de metamodelagem. Dentre as técnicas de amostragem analisadas, a sequência de Sobol apresentou os menores valores de discrepância, cobrindo mais uniformemente o espaço amostral. A adoção da temperatura de bulbo seco, da temperatura de ponto de orvalho e da radiação horizontal global, em valores médios mensais forneceu alta diversidade de dados climáticos a partir de poucas simulações, tornando o processo de metamodelagem mais eficiente. Estas variáveis climáticas foram selecionadas a partir de análises exploratórias entre a carga térmica de refrigeração em edificações de escritório e dados climáticos de 411 localidades brasileiras. A característica adaptativa da amostragem possibilitou desenvolver a base de dados de forma incremental, evitando o descarte das simulações anteriores. O critério para interromper a metamodelagem dinâmica foi a raiz do erro quadrático médio (RMSE) da rede neural, estabelecido em 2 kWh/m², de forma a concentrar as análises da pesquisa no início do processo de metamodelagem. As redes neurais artificiais alcançaram este valor após consumir dados de apenas 400 simulações e foram validadas em baterias de teste, através de milhares de combinações nunca vistas, de zonas térmicas e climas. Na validação, os valores normalizados da raiz do erro quadrático médio (NRMSE) obtidos para a rede neural artificial da última iteração foram de apenas 2,5%. A simplificação da arquitetura das redes neurais, com camadas ocultas de 32 e 16 neurônios, visou evitar a ocorrência de overfitting nas primeiras iterações da metamodelagem dinâmica. Ao realizar a amostragem com a técnica que obteve a maior discrepância (Halton), os valores de NRMSE obtidos foram de 70% a 100% superiores àqueles obtidos com a técnica de menor discrepância (Sobol), o que reforça a importância da amostragem para o desenvolvimento de metamodelos a partir de simulações. A maior eficiência em preencher o espaço amostral também reduziu a quantidade de simulações fornecidas às redes neurais artificiais para atingir a acurácia desejada. Caso a aplicação do metamodelo demande uma acurácia mais elevada, esta pode ser aumentada progressivamente, dando continuidade à metamodelagem dinâmica.

Abstract: This thesis developed a dynamic metamodeling, applied to thermal cooling loads of artificially conditioned offices, in Brazilian climates. The dynamic metamodeling consists of an iterative process of developing the metamodel, carried out from adaptive sampling, which occurs until the stopping criterion is reached. The metamodeling process included variations in several parameters of geometry, envelope, internal loads, surroundings, and a wide range of control temperatures for conditioning the building's thermal zones. As metamodel-based applications need to cover numerous combinations of buildings and locations, the metamodeling process must prioritize efficient sampling and wide climatic applicability. Sampling aims at the greatest diversity of cases, with the least number of simulations, while the wide applicability allows the use of the metamodel in multiple locations. The sample discrepancy defined which sampling technique would be used in the metamodeling process. Among the sampling techniques analyzed, the Sobol sequence showed the lowest discrepancy values, covering the sample space more evenly. The adoption of dry bulb temperature, dew point temperature and global horizontal radiation, in monthly average values, provided a high diversity of climatic data from a few simulations, making the metamodeling process more efficient. These climatic variables were selected from exploratory analysis between the thermal cooling loads in office buildings and climatic data from 411 Brazilian locations. The adaptive sampling feature made it possible to develop the database incrementally, avoiding the disposal of previous simulations. The criterion for interrupting the dynamic metamodeling was the root mean squared error (RMSE) of the neural network, established at 2 kWh / m², in order to concentrate the research analysis at the beginning of the metamodeling process. Artificial neural networks reached this value after consuming data from only 400 simulations and were validated in test batteries, through thousands of unseen combinations, of thermal zones and climates. In the validation, the normalized root mean squared error (NRMSE) obtained in the artificial neural network of the last iteration were only 2.5%. The simplification of neural networks architecture, with hidden layers of 32 and 16 neurons, aimed to avoid the occurrence of overfitting in the first iterations of the dynamic metamodeling. When carrying out the sampling with the technique that obtained the greatest discrepancy (Halton), the NRMSE values obtained were 70% to 100% higher than those obtained with the technique with the least discrepancy (Sobol), which reinforces the importance of sampling for the development of metamodels from simulations. Greater efficiency in filling the sample space also reduced the amount of simulations provided to artificial neural networks to achieve the desired accuracy. If the metamodel application requires a higher accuracy, it can be increased progressively, by continuing the dynamic metamodeling.