Aplicação de machine learning no benchmarking de eficiência energética em edificações: revisão bibliométrica e sistemática
DOI:
https://doi.org/10.46421/encacelacac.v18i1.7216Palavras-chave:
Eficiência energética, Edificações, Benchmarking, Machine learningResumo
Este estudo tem como objetivo analisar a aplicação de machine learning no benchmarking de eficiência energética em edificações. Utilizando o método ProKnow-C, a pesquisa envolveu a seleção de artigos publicados entre 2015 e 2024 resultando na análise bibliométrica de 229 publicações. Em seguida, foram selecionados 47 artigos que abordaram em detalhe etapas de benchmarking utilizando machine learning, os quais foram submetidos à análise sistemática e à avaliação de lacunas de pesquisa. A análise revelou um aumento nas publicações, especialmente a partir de 2020. A maioria das pesquisas utiliza dados reais e aplicam os algoritmos de redes neurais artificiais, máquinas de vetor de suporte e florestas aleatórias. Também foram identificadas lacunas de pesquisa, como a necessidade de criar modelos representativos dos estoques. Conclui-se que o benchmarking pode desempenhar um papel importante na eficiência energética de edificações, e a ampliação das bases de dados pode tornar o método mais assertivo e aplicável.
Referências
ALI, U. et al. A data-driven approach for multi-scale building archetypes development. ENERGY AND BUILDINGS, [s. l.], v. 202, 2019.
ARJUNAN, P.; POOLLA, K.; MILLER, C. BEEM: Data-driven building energy benchmarking for Singapore. ENERGY AND BUILDINGS, [s. l.], v. 260, 2022.
DING, Y.; LIU, X. A comparative analysis of data-driven methods in building energy benchmarking. ENERGY AND BUILDINGS, [s. l.], v. 209, 2020.
ENSSLIN, L et al. ProKnow-C: Processo de análise sistêmica. Brasil: Processo técnico com patente de registro pendente junto ao INPI, 2010.
GERALDI, M. S.; GHISI, E. Building-level and stock-level in contrast: A literature review of the energy performance of buildings during the operational stage. ENERGY AND BUILDINGS, [s. l.], v. 211, 2020.
GERALDI, M. S.; GHISI, E. Data-driven framework towards realistic bottom-up energy benchmarking using an Artificial Neural Network. APPLIED ENERGY, [s. l.], v. 306, 2022.
GERALDI, M. S.; GHISI, E. Integrating evidence-based thermal satisfaction in energy benchmarking: A data-driven approach for a whole-building evaluation. Energy, [s. l.], v. 244, 2022.
KONTOKOSTA, C. E.; TULL, C. A data-driven predictive model of city-scale energy use in buildings. APPLIED ENERGY, [s. l.], v. 197, p. 303–317, 2017.
QUEVEDO, T. C.; GERALDI, M. S.; MELO, A. P. Applying machine learning to develop energy benchmarking for university buildings in Brazil. JOURNAL OF BUILDING ENGINEERING, [s. l.], v. 63, 2023.
SEYEDZADEH, S. et al. Machine learning for estimation of building energy consumption and performance: a review. Visualization in Engineering, [s. l.], v. 6, n. 1, 2018.
TIEN, P. W. et al. Machine Learning and Deep Learning Methods for Enhancing Building Energy Efficiency and Indoor Environmental Quality – A Review. Energy and AI, [s. l.], v. 10, 2022.
UNITED NATIONS ENVIRONMENT PROGRAMME. 2022 Global Status Report for Buildings and Construction: Towards a Zero‑emission, Efficient and Resilient Buildings and Construction Sector. [S. l.: s. n.], 2022.
VILLANO, F.; MAURO, G. M.; PEDACE, A. A Review on Machine/Deep Learning Techniques Applied to Building Energy Simulation, Optimization and Management. Thermo, [s. l.], v. 4, n. 1, p. 100–139, 2024.
WANG, Z.; SRINIVASAN, R. S. A review of artificial intelligence based building energy use prediction: Contrasting the capabilities of single and ensemble prediction models. Renewable and Sustainable Energy Reviews, [s. l.], v. 75, p. 796–808, 2017.
YUSSUF, R. O.; ASFOUR, O. S. Applications of artificial intelligence for energy efficiency throughout the building lifecycle: An overview. Energy and Buildings, [s. l.], v. 305, 2024.
Downloads
Publicado
Como Citar
Edição
Seção
Licença
Copyright (c) 2025 ENCONTRO NACIONAL DE CONFORTO NO AMBIENTE CONSTRUÍDO
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
