Análise de cluster aplicada ao estudo do desempenho térmico de uma residência
DOI:
https://doi.org/10.46421/entac.v19i1.2143Palavras-chave:
Simulação computacional, Desempenho térmico, Análise de clusterResumo
A análise de desempenho térmico de edificações pode envolver a simulação de vários casos com sistemas construtivos que diferem em composição, mas que apresentam desempenho similares. Dessa forma, não é necessária a simulação de todos os sistemas construtivos, mas somente dos representativos. Este estudo usa a clusterização por k-medoids para a determinação de coberturas e paredes externas representativas a partir de um banco de dados. Os resultados mostram desempenho térmico similar para casos em um mesmo cluster. A variação entre o caso representativo e os demais foi menor do que 5% na maioria do clusters.
Referências
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 15220-3: Desempenho térmico de edificações parte 3: Zoneamento bioclimático brasileiro e diretrizes construtivas para habitações unifamiliares de interesse social. Rio de Janeiro, 2005.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 15575-1-1:2021 Errata 1:2021: Edificações habitacionais - Desempenho Parte 1-1: Base-padrão de arquivos climáticos para a avaliação do desempenho térmico por meio do procedimento de simulação computacional. Rio de Janeiro, 2021.
ASSOCIAÇÃO BRASILEIRA DE NORMAS TÉCNICAS. NBR 15575-1: Emenda de Desempenho Térmico da norma de Edificações Habitacionais – Desempenho (ABNT NBR 15575- Parte 1). Rio de Janeiro, 2020.
BIENVENIDO-HUERTAS, D.; SÁNCHEZ-GARCIA, D.; RUBIO-BELLIDO, C.; PULIDO-ARCAS, J. A. Analysing the inequitable energy framework for the implementation of nearly zero energy buildings (nZEB) in Spain. Journal of Building Engineering. v. 35, 102011, nov. 2020. DOI: https://doi.org/10.1016/J.JOBE.2020.102011
BORGER, P.; TRAVESSET-BARO, O.; PAGES-RAMON, A. Hybrid approach to representative building archetypes development for urban models – A case study in Andorra. Building and Environment. v. 215, 108958, mar. 2022. DOI: https://doi.org/10.1016/J.BUILDENV.2022.108958
CRAN – R. The R Project for Statistical Computing (2021). Disponível em: https://www.r-project.org/. Acesso em: 27 maio 2022.
DOE, United States Department of Energy. EnergyPlus 9.0. Disponível em: https://github.com/NREL/EnergyPlus/releases/tag/v9.0.1. Acesso em: 27 maio 2022.
ELI, L. G.; KRELLING, A. F.; OLINGER, M. S.; MELO, A. P; LAMBERTS, R. Thermal performance of residential building with mixed-mode and passive cooling strategies: The Brazilian context. Energy and Buildings. v. 244, Special Issue 111047, abr. 2021. DOI: https://doi.org/10.1016/j.enbuild.2021.111047
HAIR, J. F.; BLACK, W. C.; BABIN, B. J.; ANDERSON, R. E. Multivariate Data Analysis. 7. ed. London: Prentice Hall, 2010.
JAIN, A. K.; MURTY, M. N.; FLYNN, P. J. Data clustering: a review. ACM Computing Surveys. v. 31, n 3, p. 264-323, set. 1999. DOI: https://doi.org/ 10.1145/331499.331504
JOTA, P. R. S.; SILVA, V. R. B.; JOTA, F. G. Building load management using cluster and statistical analyses. International Journal of Electrical Power & Energy Systems. v. 33, 1498-1505, jul. 2011. DOI: https://doi.org/10.1016/J.IJEPES.2011.06.034
MAECHLER, M.; ROUSSEEUW, P.; STRUYF, A.; HUBERT, M.; HORNIK, K.; STUDER, M.; ROUDIER, P.; GONZALEZ, J.; KOZLOWSKI, K.; SCHUBERT, E. Package Cluster. CRAN. Disponível em: https://cran.r-project.org/web/packages/cluster/cluster.pdf. Acesso em: 27 maio 2022.
MARSHALL, E.; STEINBERGER, J. K.; DUPONT, V.; FOXON, T. J. Combining energy efficiency measure approaches and occupancy patterns in building modelling in the UK residential context. Energy and Buildings. v. 111, p. 98-108, nov. 2015. DOI: https://doi.org/10.1016/j.enbuild.2015.11.039
MAZZAFERRO, L.; MACHADO, R. M. S.; MELO, A. P; LAMBERTS, R. Do we need building performance data to propose a climatic zoning for building energy efficiency regulations? Energy and Buildings. v. 225, 110303, jul. 2020. DOI: https://doi.org/10.1016/J.ENBUILD.2020.110303
MIRKES, E. M. K-means and K-medoids applet. University of Leicester. Disponível em: http://www.math.le.ac.uk/people/ag153/homepage/KmeansKmedoids/Kmeans_Kmedoids.html. Acesso em: 27 maio 2022.
SAXENA, A.; PRASAD, M.; GUPTA, A.; BHARILL, N.; PATEL, O. P.; TIWARI, A.; ER, M. J.; DING, W.; LIN, C. A review of clustering techniques and developments. Neurocomputing. v. 267, 664-681, jul. 2017. DOI: https://doi.org/10.1016/J.NEUCOM.2017.06.053
SORGATO, M. J.; MELO, A. P; LAMBERTS, R. The effect of window opening ventilation control on residential building energy consumption. Energy and Buildings. v. 133, p. 1-13, set. 2016. DOI: https://doi.org/10.1016/j.enbuild.2016.09.059
TRIANA, M. A.; LAMBERTS; R., SASSI, P. Characterisation of representative building typologies for social housing projects in Brazil and its energy performance. Energy Policy. v. 87, p. 524-541, aug. 2015. DOI: https://doi.org/10.1016/j.enpol.2015.08.041
TRIANA, M. A.; LAMBERTS; R., SASSI, P. Should we consider climate change for Brazilian social housing? Assessment of energy efficiency adaptation measures. Energy and Buildings. v. 158, p. 1379-1392, nov. 2018. DOI: https://doi.org/10.1016/j.enbuild.2017.11.003
WALSH, A.; CÓSTOLA, D.; LABAKI, L. C. Review of methods for climatic zoning for building energy efficiency programs. Building and Environment. v. 112, 337-350, nov. 2016. DOI: https://doi.org/10.1016/J.BUILDENV.2016.11.046
