Dissertação (mestrado) - Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Civil, Florianópolis, 2021.Dentre as diversas tipologias existentes, as edificações escolares representam uma parte significativa no consumo de energia. Considerando que as instituições de ensino superior desempenham um papel fundamental em desenvolver um futuro mais sustentável e auxiliam nas políticas de redução de emissões de carbono destaca-se a importância do desenvolvimento de benchmark para essas tipologias. Frente a isso, este estudo tem como objetivo elaborar um benchmark de consumo de energia para edificações educacionais de ensino superior. O estudo adotou um arquétipo de edificações educacionais de ensino superior elaborado pelo Conselho Brasileiro de Construção Sustentável, criando um banco de dados por meio de simulações computacionais, variando as características da envoltória como transmitância, ocupação e padrões de uso. Inicialmente, foi realizada uma análise de sensibilidade, identificando quais parâmetros apresentavam maior influência no consumo de energia dos casos analisados. Foram selecionados 11 dados de entrada para o desenvolvimento do benchmark: Turno, ocupação, transmitância térmica da cobertura e paredes, absortância térmica das paredes e coberturas, transmitância térmica dos vidros, fator solar, sombreamento, densidade de iluminação (DPI) e orientação solar. Também foram considerados o sistema de climatização com compressor do tipo Split e Inverter, variando o COP e IDRS de cada sistema. Os dados de entrada foram variados parametricamente, para a elaboração do banco de dados. Foram considerados 9 climas brasileiros. Com base nos dados de entrada e saída das simulações (consumo de energia), observou-se que as variáveis como turno, clima, sistema de climatização e DPI apresentaram a maior influência no consumo de energia dos casos. As simulações foram realizadas por meio do programa EnergyPlus. Foram elaborados 2 metamodelos com técnicas de Máquinas de Vetores de Suporte e Redes Neurais Artificiais, e uma regressão linear com o objetivo de prever o consumo das edificações de ensino superior. Foram avaliados os valores da raiz quadrada do erro médio (RMSE) e erro absoluto médio (MAE) para cada metamodelo. O metamodelo de Máquinas de Vetores de Suporte (SVM) apresentou os menores valores de RMSE e MAE, 2,57 e 1,6 kWh/m².ano, respectivamente. Já o modelo de Redes Neurais Artificiais (ANN) apresentou valores de 2.61 e 1,8 kWh/m².ano para RMSE e MAE, indicando que o metamodelo de SVM é mais robusto e preciso que o modelo de ANN. O consumo predito pelos metamodelos foi comparado com o consumo real de universidades públicas, onde as diferenças variaram entre 1% e 20% para o metamodelo de SVM, 10% e 27% para o metamodelo de ANN e 15% e 32% para a regressão linear. Ainda, foi realizada uma comparação entre o consumo predito com simulado, para casos não vistos pelo metamodelo, apresentando diferenças entre 0% e 32%. Estabeleceu-se uma escala de eficiência energética para classificar o banco de dados estabelecido e as edificações reais de universidades. O banco de dados desenvolvido apresentou 34% das edificações classificadas como eficientes, 34% como típicas e 31% como ineficientes.Abstract: School buildings represent a significant part of energy consumption among the various existing typologies. Considering that higher education institutions play a fundamental role in developing a more sustainable future and assisting in carbon emission reduction policies, the importance of developing a benchmark for these types is highlighted. This study aims to develop an energy consumption benchmark for higher education buildings. The study adopted an archetype of higher education buildings developed by the Brazilian Council for Sustainable Construction, creating a database through computer simulations, varying the characteristics of the envelope, occupation, and users? patterns. Initially, a sensitivity analysis was performed to identify which parameters present the most significant influence on the energy consumption of the cases. Eleven parameters were selected: period of the day, occupation, thermal transmittance of the roof and walls, thermal absorptance of walls and roofs, thermal transmittance of glass, solar factor, shading, light density (DPI), and solar orientation. Furthermore, air conditioning systems (Split and Inverter) were also considered, varying the COP and IDRS of each system. All parameters were parametrically varied to establish the database. Nine Brazilian climates were considered. Based on the inputs and output data of the simulations (energy consumption), it was observed that parameters such as period of the day, climate, air conditioning system, and DPI had the most significant influence on the energy consumption of the cases. The building energy simulation analysis were with EnergyPlus program. With the database, three predictive models were elaborated with techniques of Support Vector Machines (SVM) and Artificial Neural Networks (ANN), and multiple linear regression (MLR ) to predict the consumption of higher education buildings. For each model, the root mean square error (RMSE) and mean absolute error (MAE) were evaluated. The SVM predictive model presented the lowest values of RMSE and MAE, 2.57 and 1.6 kWh/m².year, respectively. The ANN presented 2.61 and 1.8 kWh/m².year for RMSE and MAE, indicating that the SVM predictive model is more robust and accurate than ANN model. The energy consumption predicted by the predictive model was compared with actual energy consumption of public universities. The differences varied between 1% and 20% for SVM, 10% and 27% to ANN model and 15% and 32% for MLR model. In addition, a comparison between predicted energy and simulated energy for cases not seen by the predictive models before ware carried out, showing differences between 0% and 32%. An energy efficiency scale was developed to classify universities' database and real buildings. The database presented a 34% of the buildings classified as efficient, 34% as typical, and 31% as inefficient.