Desenvolvimento de benchmark energético em centros de saúde

Abstract

As edificações são responsáveis por grande parte do consumo energético mundial e, consequentemente, dos impactos ambientais causados pela geração de energia. Os edifícios em operação costumam não apresentar a eficiência energética prevista na fase de projeto, resultando no fenômeno de performance gap. No entanto, estudos relacionados ao consumo energético de edifícios na fase de operação estão sendo desenvolvidos, denominados benchmarks. O objetivo deste trabalho é desenvolver um benchmark da tipologia de centros de saúde. Foi adotado um arquétipo baseado em um projeto padrão dessa tipologia, e foram definidos parâmetros de entrada fixos e variados a serem aplicados nas simulações computacionais. Os parâmetros variados foram relacionados à orientação da edificação e aos seus materiais construtivos, assim como a densidade de potência de iluminação, a densidade e o período de ocupação, as características do sistema de condicionamento de ar e os dados climáticos representando oito diferentes cidades: Campos do Jordão/SP, São Paulo/SP, Florianópolis/SC, Campinas/SP, Rio de Janeiro/RJ, Vitória/ES, Recife/PE e Fortaleza/CE. Uma amostragem de Saltelli foi realizada sobre os parâmetros variados, composta por 64 amostras para cada parâmetro, com exceção da eficiência do sistema de condicionamento de ar e do arquivo climático, resultando em 1.408 amostras. A partir dessa amostragem, foram incorporados três valores de eficiência do sistema de condicionamento de ar e dados climáticos das diferentes localidades, resultando em 33.792 simulações. Para a verificação dos parâmetros de entrada mais influentes sobre o consumo total da tipologia, foram realizadas análises de sensibilidade de Sobol para as cidades de Florianópolis e Fortaleza, assim como uma análise de correlação de Pearson para todas as cidades simuladas. Foram desenvolvidos modelos preditivos utilizando os métodos de aprendizado de máquina denominados Máquinas de Vetor de Suporte e Redes Neurais Artificiais. A quantidade de parâmetros de entrada dos modelos preditivos foi determinada a partir de três diferentes pontos de corte para o coeficiente de correlação de Pearson. Dois centros de saúde foram utilizados para a validação do benchmark desenvolvido. Adicionalmente, cinco casos simulados foram utilizados para validação. Por fim, o metamodelo de avaliação do uso de ventilação natural da Instrução Normativa Inmetro para a Classificação de Eficiência Energética de Edificações Comerciais, de Serviços e Públicas foi aplicado para os casos de consumo mínimo e máximo simulados. A densidade de potência de iluminação, o período de funcionamento e os cenários de ambientes condicionados foram identificados como os parâmetros mais impactantes sobre o consumo energético total em Florianópolis. Adicionalmente, foram identificados como impactantes os parâmetros de eficiência do sistema de condicionamento de ar e a absortância da cobertura para a cidade de Fortaleza. Para a validação, foram adotados dois modelos preditivos de Redes Neurais Artificiais, com 12 parâmetros de entrada e com 7 parâmetros de entrada, para comparação dos resultados. Os modelos preditivos de Redes Neurais Artificiais apresentaram menores erros para o consumo energético total de ambas as edificações utilizada para a validação, em comparação com a equação de benchmark desenvolvida em um estudo do CBCS. A aplicação do metamodelo de avaliação do uso de ventilação natural da INI-C identificou a possibilidade de redução do consumo energético com a utilização de ventilação natural nas cidades de Campos do Jordão, São Paulo, Florianópolis e Campinas.

Abstract: Buildings are responsible for a big fraction of the global energy use and, therefore, of the environmental impacts caused by energy generation. Buildings in operation usually do not present the same energy efficiency predicted at the project phase, resulting in a difference between the projected and the real energy performance, named performance gap. There are studies related to the energy use in the buildings operational phase, denominated benchmarks. The objective of this work is to develop a benchmark for health centers. An arquetype based on a standard government project was adopted. Fixed and variable parameters were defined for the simulations. The variable parameters were related to the building orientation and its construction materials, as well as the lighting power density, the ocupation density and period, the air conditioning characteristics and climate data for different cities. It was considered 12 variable parameters. A Saltelli sampling was applied on the variable parameters, composed of 64 samples for each parameter, excepting the air conditioning system efficiency and the climate data, resulting in 1,408 samples. From those samples, parameters of three different air conditioning system efficiencies, and eight different cities climate data were included, resulting in 33,792 simulations. For the verification of the most influential variable parameters on the total energy consumption of the archetype, a Sobol sensitivity analysis was applied for the cities of Florianópolis and Fortaleza, as well as a correlation Pearson analysis for all the cities simulated. Predictive models were developed using Support Vector Machine (SVM) and Artificial Neural Network (ANN) machine learning techniques. The amount of input parameters was determined from three different Pearson coefficient thresholds. Two health centers were selected for the benchmark validation. Also, five simulated cases were used for validation. Finally, a natural ventilation metamodel was applied for the simulations that presented the minimum and maximum energy consumption. The lighting power density, the working period and the conditioned areas were identified as the most influential parameters on the total energy consumption for the city of Florianópolis. Additionally, the air conditioning system efficiency and the roof absortance parameters were identified as influential for the city of Fortaleza. For validation, two ANN models were adopted, with 12 input parameters and with 7 input parameters, for a results comparison. The ANN predictive models developed presented lower errors for the predicted total energy consumption for both buildings, in comparison with the CBCS benchmark equation. The natural ventilation metamodel identified the possibility of reducing the air conditioning energy consumption using natural ventilation for the cities of Campos do Jordão, São Paulo, Florianópolis and Campinas.