CAPÍTULO 2 - REVISÃO DA LITERATURA

Tese de doutorado submetida à Banca Examinadora do Programa de Pós-Graduação em Engenharia Elétrica da UFPA como requisito para obtenção do título de Doutor em Engenharia Elétrica na área de Sistemas Energéticos, subárea Fontes Renováveis, na linha de pesquisa Eficiência Energética. Ao professor Roberto Lamberts, grande referência na área de eficiência energética em edificações, pelas valiosas contribuições. Nas últimas duas décadas, estudos de otimização aplicados à eficiência energética de edifícios têm ajudado os projetistas a selecionar as melhores opções de projeto.

INTRODUÇÃO

• Apresentação do problema
• Hipóteses de solução
• Objetivos
• Objetivos Geral
• Objetivos Específicos
• Justificativa
• Estrutura da tese

As possibilidades de projeto são infinitas e requerem uma análise exaustiva para se chegar a uma boa solução (Sadineni, et al., 2011). Atualmente é comum combinar um simulador de desempenho com um algoritmo de otimização, pois o modelo simulado serve para avaliar a lista de soluções de projeto e selecionar aquela com melhor desempenho, levando em consideração um ou vários objetivos de projeto, conflitantes ou não. Os procedimentos de otimização não substituem a natureza subjetiva e criativa básica do projetista, mas antes ajudam-no a encontrar soluções de projeto e, desta forma, contribuem para a manutenção de práticas de baixo consumo de energia nos edifícios (Machairas, et al., 2014).

REVISÃO DA LITERATURA

• Otimização aplicada a projetos de alto desempenho
• Otimização baseada em simulação
• Algoritmos de otimização
• Escolha do algoritmo apropriado
• Otimização multiobjetivo
• Pesquisas sobre otimização para projeto de edificações
• Análise das vantagens e limitações das pesquisas mais importantes
• Análise crítica sobre a revisão da literatura
• Inovação desta abordagem em relação à literatura

Diante desta tarefa complexa e importante, esta tese utiliza um algoritmo de otimização multiobjetivo com um simulador de desempenho em conjunto para encontrar as melhores soluções arquitetônicas para edifícios. Segundo (Chan, et al., 2010) a forma do edifício afeta a energia solar que recebe, bem como o seu consumo total de energia. Este capítulo apresenta uma descrição do problema de edifícios de baixo desempenho, soluções de hipóteses baseadas em um modelo de otimização baseado em simulação para auxiliar os projetistas no projeto arquitetônico, objetivos, justificativa e estrutura da tese.

METODOLOGIA

Formulação do problema de otimização

Tendo em conta estes objetivos foi possível concluir que a procura das melhores configurações de edifícios pode ser caracterizada como um problema de otimização combinatória multiobjetivo, uma vez que é possível procurar a melhor forma, através de uma matriz binária em que o elemento 1 representa os edifícios destinados ao ensino superior, indo ao encontro dos vários objectivos que foram propostos. A Matriz A1 mostra que é possível definir cada dimensão do terreno inserindo 0 elementos representando uma área de busca viável. O tamanho da área de busca viável pode ser definido pelo número de elementos 0 e a área de construção pode ser definida pelo número de elementos 1.

Para resolver este problema, foi desenvolvido um modelo de otimização baseado em simulação, uma vez que, conforme afirma a literatura, o modelo de otimização explora todo o potencial computacional baseado no modelo tridimensional. Departamento de Energia (DOE) - Building Technologies Office (BTO)) foi acoplado ao algoritmo de otimização multiobjetivo PAES para avaliar o desempenho das soluções durante o processo de evolução. A Tabela 4 apresenta um exemplo de entrada do usuário para encontrar a melhor solução de projeto para um edifício de 300 m² distribuídos por 3 andares em um espaço de busca viável de 225 m² (matriz 3x3).

4 O EnergyPlus foi escolhido por ser o software de simulação detalhada mais utilizado e consolidado na comunidade científica de otimização de desempenho de edifícios. Ao trabalhar com um arquivo de texto, proporciona fácil comunicação com algoritmos de otimização (Nguyen, et al., 2014). A Figura 10 apresenta uma ilustração do modelo de otimização proposto que utiliza as restrições de projeto apresentadas na Tabela 4 e se aplica a qualquer situação.

O processo de busca ocorre com base em uma matriz binária, onde os componentes da matriz evoluem em gerações, até encontrar a melhor configuração da forma do edifício, através da mutação do módulo geométrico.

Funções objetivo

Variáveis de busca

Módulo Geométrico

Depois disso, a solução atual é adicionada ao arquivo externo e então o algoritmo cria uma solução candidata modificando a solução atual. Caso contrário, é realizado um processo de arquivamento para verificar se a solução candidata está arquivada ou substituirá a solução atual. A localização do módulo de geometria e seus parâmetros de projeto são alterados, criando uma nova solução que o EnergyPlus avaliará em relação ao alvo. funções e arquivos climáticos. Após várias gerações, o algoritmo atinge um critério de parada e encontra uma Fronteira de Pareto constituída por soluções arquitetônicas ótimas que representam a melhor relação entre consumo de energia e custos de construção, dadas as variáveis ​​ambientais presentes no arquivo climático7.

O módulo de geometria é um modelo 3D, no formato EnergyPlus idf, que representa um módulo de mudança de geometria no processo de busca evolutiva. O módulo geométrico foi criado de acordo com o Apêndice G das diretrizes ASHRAE 90.1 (ASHRAE, 2010) e ASHRAE Handbook Fundamentals (ASHRAE, 2005). Isto garante que a análise energética realizada no método de avaliação de desempenho inclui todos os custos energéticos e normas relacionadas com o projeto do edifício.

A rotina do módulo de geometria deverá ser configurada pelo usuário de acordo com a modalidade do projeto (residencial, comercial, escritório, escolar, museu ou qualquer outra modalidade). Contém apenas uma zona térmica, com sistema de aquecimento e/ou refrigeração escolhido de acordo com o clima. Suas dimensões podem ser alteradas pelo projetista de acordo com o programa de necessidades do projeto.

11 O fator solar do vidro é a percentagem de energia solar que incide sobre o vidro e é transferida para o seu interior, tanto direta como indiretamente.

Modelo de Otimização

• Modelo para criar o arquivo idf do EnergyPlus
• Criando a solução inicial (atual)
• Avaliação de soluções
• Mutação da solução atual
• Processo de Arquivamento

Durante a execução do algoritmo evolutivo, na etapa de avaliação da solução, as informações contidas no modelo são carregadas no script. Quando um determinado material é selecionado, ele será inserido em todas as superfícies categorizadas para esse tipo de material. Se uma solução não proporcionar isso, todas as janelas do edifício, sem exceção, não terão sombra.

Caso o usuário não opte pela busca de janelas em todos os lados da parede, o objetivo de definir qual lado da parede deverá existir será colocá-las em lados opostos para promover iluminação e ventilação natural/renovação de ar quando o ar condicionado não estiver ligado. utilização, restando a finalidade do algoritmo escolher a orientação do edifício que recebe maior ou menor transferência de calor, de acordo com variáveis ​​meteorológicas. Nesta fase, uma solução candidata pode apresentar as mesmas variáveis ​​que a solução atual, pois é possível que a variável escolhida no processo de seleção aleatória seja a mesma que a variável da solução atual. Para encontrar os 0 elementos adjacentes à tela climática, foi realizado o processo de expansão da imagem na matriz de solução atual, e um elemento 0 deste resultado foi selecionado para receber o elemento previamente selecionado com valor 1.

Ao contrário do primeiro passo, a matriz gerada será sempre diferente da matriz da solução atual, garantindo que todas as soluções geradas pela mutação sejam diferentes da solução atual. Ao final deste processo, uma nova solução é criada e comparada com a solução atual nas etapas seguintes, até a etapa de arquivamento, no processo evolutivo do algoritmo PAES. Se dominar um ou mais membros do arquivo, todos os membros dominados são excluídos do arquivo e a solução candidata é arquivada e aceita, substituindo a solução atual.

Esta lógica é a mesma utilizada para aceitar a solução proposta se esta estiver em uma região menos congestionada que a solução atual.

VALIDAÇÃO

• Descrição do estudo de caso
• Resultados da otimização para os 4 climas versus princípios bioclimáticos
• Tomada de decisão sobre qual solução ótima escolher para os 4 climas
• Desempenho energético e econômico das soluções ótimas versus edifício de referência
• Desempenho energético das soluções ótimas versus benchmark brasileiro
• Modelo de otimização versus usabilidade
• Modelo de otimização versus precisão
• Discussão dos resultados

Como já mencionado, este estudo de caso visa encontrar as soluções arquitetônicas ideais para a mesma situação de projeto para 4 climas diferentes: nomeadamente frio (Curitiba), ligeiramente frio (Florianópolis), ligeiramente quente (Campo Grande) e quente (Belém). As execuções são mostradas nas Figuras 12 a 15, que apresentam as soluções arquitetônicas ótimas. Pode-se observar que no clima ligeiramente quente as soluções óptimas alcançaram menores custos de construção e consumo de energia, ao contrário do clima ligeiramente frio que alcançou níveis mais elevados de eficiência energética associados a custos de construção mais baixos.

Este valor foi adicionado aos custos de proteção solar das soluções 1-ótimas para todos os 4 casos. A Tabela 14 apresenta o desempenho energético, financeiro e ambiental das soluções ótimas 1 em relação ao edifício de referência. Todas as soluções ótimas tiveram um período de retorno inferior a 3 anos, exceto em climas quentes, que atingiu quase 4 anos, o que caracteriza um curto período de ROI.

Para verificar o nível de eficiência energética alcançado pela metodologia, os resultados das soluções ótimas foram comparados com os níveis determinados pelo benchmark brasileiro de consumo de energia. Para verificar a precisão, comparamos as soluções ótimas do modelo de otimização proposto (convergência probabilística rápida) com as soluções ótimas do algoritmo de Força Bruta (determinístico com convergência lenta), que testa todas as opções de solução e fornece a melhor solução. Se compararmos as soluções óptimas com o edifício de referência, alcançámos 54% de poupança energética anual em climas frios, 56% em climas ligeiramente frios, 47% em climas ligeiramente quentes e 44% em climas quentes.

Ao comparar as soluções ótimas com o consumo típico de energia dos edifícios públicos brasileiros (Benchmark CBCS), obteve-se uma economia anual de energia de: 37,03% em climas frios, 37,45% em climas levemente frios, 30,31%. em climas moderadamente quentes e 32,65% em climas quentes, indicando o nível “muito eficiente” em todos os climas, na plataforma de benchmark.

CONCLUSÃO

Therefore, this paper presents a multi-objective optimization model to assist designers in the schematic design of buildings, through the Pareto algorithm for archived evolution strategies (PAES) coupled with the EnergyPlus simulator to evaluate the solutions. A simulation software can be linked to the optimization algorithm to evaluate the suitability of the candidate solutions in the optimization process. After a number of generations, the algorithm finds the optimal Pareto front, composed of the design solutions that provide the best relationship between energy consumption and construction costs, depending on the environmental variables present in the weather file.

The building materials are configured using the ASHRAE library, contained in the EnergyPlus dataset installation folder. After exporting to the idf format, it is advisable to refine more detailed parameters in the EnergyPlus. Then the specific and three-dimensional information of the geometric module contained in the script is inserted according to the search variables present in the solution.

This group of geometric modules is considered by the algorithm as an element 1 in the horizontal plane of the feasible search area. The mutation takes place in two phases: in the first phase, all search variables, except the shape of the building, are changed. This step consists of remapping the random array element with value 1, present in the building envelope, to a random element with value 0 adjacent to the building envelope.

The same design conditions were used for the four cases except for the weather file and the design day setting in the geometry module. Decision making is done by the Pareto front, which provides the best solutions explored in the optimization process. In the first step, the cash flows are calculated from the optimal solution of the annual energy savings in relation to the standard building.