Desarrollo de herramienta simplificada para la evaluación de mejoras constructivas en viviendas combinando simulaciones BEM y redes neuronales.

Abstract

Para el diseño de viviendas más eficientes térmicamente, se presenta la necesidad de contar con herramientas simplificadas (para usuarios no especialistas en modelado), de diagnóstico rápido, para analizar el impacto energético y económico de posibles modificaciones en el diseño de las viviendas. Aquí se desarrolla una herramienta de este tipo, a partir de correlacionar los resultados de simulación BEM (Building Energy Modeling) de múltiples casos con la variación de algunos parámetros constructivos relevantes. El trabajo se divide en varias etapas: inicialmente se definen los parámetros relevantes a modificar y su rango de variación; luego se simulan (en EnergyPlus) múltiples casos variando los parámetros elegidos y obteniendo la demanda energética para períodos de calefacción y refrigeración; luego se desarrolla y configura un modelo subrogado (red neuronal) a partir de los resultados de las simulaciones; y finalmente se elabora una herramienta de evaluación (hoja de cálculo) del consumo energético y de impacto económico de los cambios, a partir de una estimación de los costos y de los ahorros energéticos generados. Se realizaron más de 3000 simulaciones y se logró reproducir los resultados de manera muy satisfactoria.

For the design of more thermally efficient homes, there is a need for simplified tools (aimed at non-specialist users in modeling), for quick diagnosis, to analyze the energy and economic impact of potential modifications to the design of these homes. Here, a tool of this kind is developed by correlating the results of Building Energy Modeling (BEM) simulations from multiple cases with variations in relevant construction parameters. The work is divided into several stages: initially, the relevant parameters to be modified along with their range of variation are defined; then, multiple cases are simulated (using EnergyPlus) by varying the chosen parameters and obtaining energy demand data for heating and cooling periods; next, a surrogate model (neural network) is developed and configured based on the simulation results; and finally, an evaluation tool (spreadsheet) for energy consumption and economic impact of changes is created, based on an estimation of costs and the energy savings generated. Over 3000 simulations were conducted, and the results were successfully reproduced.