Uma comparação de técnicas de aprendizado de máquina para a previsão de cargas energéticas em edifícios
AUTOR(ES)
Duarte, Grasiele Regina, Fonseca, Leonardo Goliatt da, Goliatt, Priscila Vanessa Zabala Capriles, Lemonge, Afonso Celso de Castro
FONTE
Ambient. constr.
DATA DE PUBLICAÇÃO
2017-07
RESUMO
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.
ASSUNTO(S)
eficiência energética cargas de aquecimento e resfriamento aprendizado de máquina
Documentos Relacionados
- Predição de promotores de Bacillus subtilis usando técnicas de aprendizado de máquina
- "Utilização de aprendizado de máquina para a adaptação de estruturas em hipermídia adaptativa"
- Aplicação de técnicas de aprendizado de máquina no reconhecimento de classes estruturais de proteínas
- An approach to the correlation of security events based upon machine learning techniques
- Combinando Métodos de Aprendizado Supervisionado para a Melhoria da Previsão do Redshift de Galáxias