🤖 AI

Thermal transmittance prediction based on the application of artificial neural networks on heat flux method results

Autores originais: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Publicado 2026-05-25

📖 5 min de leitura🧠 Leitura aprofundada

Autores originais: Sanjin Gumbarević, Bojan Milovanović, Mergim Gaši, Marina Bagarić

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você possui uma casa antiga e deseja torná-la energeticamente eficiente. Para isso, você precisa saber o quão bem suas paredes retêm o calor. Essa capacidade de "vazamento de calor" é chamada de valor U.

Geralmente, para medir isso, você precisa colar um sensor especial (um sensor de fluxo de calor) na parede e deixá-lo lá por dias, talvez até duas semanas. É como esperar que um ensopado de cozimento lento fique pronto; você não pode apressá-lo, ou os resultados estarão errados. Isso leva muito tempo, custa dinheiro e é irritante se você quiser testar muitas paredes diferentes em um edifício.

Este artigo faz uma pergunta simples: Podemos usar um "cérebro computador inteligente" (Redes Neurais Artificiais) para adivinhar o que o sensor teria medido, para que não precisemos deixá-lo na parede por tanto tempo?

Veja como eles tentaram resolver isso, usando algumas analogias do cotidiano:

O Cenário: O Clima e a Parede

Os pesquisadores colocaram um sensor em uma parede para medir três coisas:

Quão quente está dentro do cômodo.
Quão frio está lá fora.
Quanto calor está realmente fluindo através da parede.

Eles coletaram dados a cada 10 minutos por cerca de 3 dias. Pense nisso como registrar uma "receita" de como a parede reage ao clima.

O "Cérebro Inteligente" (A IA)

Eles treinaram quatro tipos diferentes de "cérebros inteligentes" (Redes Neurais Artificiais) para aprender essa receita. O objetivo era ensinar ao cérebro: "Se o interior está nesta temperatura e o exterior está naquela temperatura, quanto calor deveria estar fluindo através da parede?"

Eles testaram quatro arquiteturas diferentes de "cérebro":

O Cérebro Simples (MLP): Um pensador básico e direto.
O Cérebro da Memória 1 (LSTM): Um pensador com memória de longo prazo, bom em lembrar o que aconteceu há um tempo.
O Cérebro da Memória 2 (GRU): Um tipo ligeiramente diferente de pensador com memória, um pouco mais simplificado.
O Cérebro Híbrido (LSTM + GRU): Uma equipe onde uma parte tem memória de longo prazo e a outra tem um tipo diferente de memória, trabalhando juntas.

O Experimento: Dividindo os Dados

Para ver se esses cérebros estavam realmente aprendendo, eles dividiram seus dados em duas pilhas:

A Pilha de Estudo (Treinamento): Eles mostraram esses dados ao cérebro para que ele pudesse aprender os padrões.
A Pilha de Teste (Validação): Eles esconderam esses dados do cérebro e pediram que ele previsse o fluxo de calor baseado apenas nas temperaturas.

Eles tentaram diferentes divisões: às vezes o cérebro estudava 25% dos dados e era testado no restante; outras vezes estudava 50% ou 66%.

Os Resultados: Quem Venceu?

O artigo encontrou algumas coisas interessantes:

Mais Dados Ajudam os Cérebros de "Memória": Quando o cérebro tinha mais dados para estudar (50% ou 66%), os Cérebros de Memória (LSTM e GRU) fizeram um ótimo trabalho. Eles conseguiam prever o fluxo de calor com muita precisão, quase como se tivessem o sensor na parede o tempo todo.
O Cérebro Simples Lutou: O Cérebro Simples (MLP) estava bem quando tinha muito poucos dados para estudar, mas não foi tão confiável quando os dados ficaram maiores. É como um aluno que consegue memorizar um poema curto, mas fica confuso com um livro inteiro.
A Melhor Combinação: O Cérebro Híbrido (LSTM + GRU) obteve a menor taxa de erro quando estudou 66% dos dados. No entanto, os pesquisadores observaram que ter 66% dos dados para treinamento poderia ser um pouco "trapaça", porque a pilha de teste era tão pequena.
O Verdadeiro Vencedor: Ao olhar para uma divisão justa (50% de estudo, 50% de teste), o LSTM (Cérebro da Memória 1) foi o campeão. Ele previu o fluxo de calor com um erro de apenas cerca de 5,3% em comparação com o sensor real.

O Problema: O Fator "Surpresa"

O artigo também encontrou uma limitação. Os "cérebros inteligentes" são como alunos que memorizam os padrões climáticos que estudaram. Se o clima mudar repentinamente de uma maneira que eles nunca viram antes (um pico ou queda de temperatura "surpresa"), o cérebro fica confuso e a previsão torna-se instável.

Eles mostraram uma imagem de outra parede onde a previsão funcionou bem até que o clima fizesse algo inesperado, momento em que o "cérebro inteligente" perdeu o rumo.

A Conclusão

O artigo conclui que usar Inteligência Artificial para prever o fluxo de calor é uma ideia promissora. Se você puder treinar a IA com alguns dias de dados, poderá ser capaz de mover seu sensor para uma nova parede muito mais cedo do que as duas semanas padrão.

No entanto, o método ainda não é perfeito. Funciona melhor quando o clima se comporta de forma previsível, e os pesquisadores dizem que precisam fazer mais testes para garantir que o "cérebro inteligente" não fique confuso com mudanças climáticas repentinas.

Em resumo: Eles construíram uma bola de cristal digital que pode adivinhar quanto calor uma parede perde com base na temperatura. Funciona bastante bem, mas ainda precisa de mais prática para lidar com climas-surpresa.

Resumo Técnico: Previsão de Transmitância Térmica via Redes Neurais Artificiais sobre Resultados do Método do Fluxo de Calor

Enunciado do Problema
A reabilitação energética profunda do parque edificado existente é uma prioridade para a União Europeia, contudo, a avaliação da transmitância térmica (valor U) de elementos construtivos existentes permanece desafiadora. Estruturas existentes frequentemente carecem de documentação de projeto, e a degradação dos materiais ou a humidade podem alterar as propriedades térmicas ao longo do tempo. Embora o Método do Fluxo de Calor (HFM), padronizado pela ISO 9869-1, seja uma abordagem experimental comum para determinar valores U in situ, sofre de uma limitação significativa: a duração da medição. Para cumprir os critérios normativos e garantir fiabilidade, os testes HFM frequentemente exigem até duas semanas, particularmente quando se utilizam métodos de processamento de dados dinâmicos para minimizar o desvio em relação aos valores U de projeto. Este período alargado dificulta o planeamento eficiente dos processos de reabilitação. Além disso, a implementação de múltiplos sensores para testar diferentes elementos simultaneamente é frequentemente ineficiente do ponto de vista financeiro e operacional.

Metodologia
A investigação propõe um método para reduzir a duração da medição, utilizando Redes Neurais Artificiais (RNA) para prever o fluxo de calor com base nas temperaturas do ar interior e exterior. A hipótese central é que, uma vez treinado um modelo de RNA num segmento curto de dados HFM, este pode prever o fluxo de calor para o restante do período utilizando apenas entradas de temperatura, permitindo que o sensor físico seja realocado para outros locais de medição.

O estudo utilizou dados experimentais recolhidos numa parede multicamada entre 22 e 26 de fevereiro de 2019. O conjunto de dados compreendeu 490 entradas registadas a cada 10 minutos, capturando a temperatura interior ( $T_i$ ), a temperatura exterior ( $T_e$ ) e o fluxo de calor ( $q$ ).

Foram avaliadas quatro arquiteturas distintas de RNA quanto à sua capacidade de prever o fluxo de calor:

MLP3: Um Perceptron Multicamadas com uma camada oculta contendo três neurónios.
LSTM100: Uma rede de Memória de Curto e Longo Prazo (Long Short-Term Memory) com 100 unidades na camada oculta.
GRU100: Uma rede de Unidade Recorrente com Portões (Gated Recurrent Unit) com 100 unidades na camada oculta.
LSTMGRU100: Uma arquitetura híbrida combinando 50 unidades LSTM e 50 unidades GRU através de duas camadas ocultas.

Cada arquitetura foi testada sob três diferentes rácios de divisão de dados de treino/validação: 1/4, 1/2 e 2/3. O desempenho dos modelos foi avaliado utilizando o Erro Quadrático Médio Raiz (RMSE), o Erro Quadrático Médio (MSE) e o Erro Absoluto Médio (MAE) para a previsão do fluxo de calor. Adicionalmente, os valores U previstos foram calculados utilizando o método de média padrão (ISO 9869-1) aplicado ao fluxo de calor previsto e comparados com o valor U medido (0,586 W/(m²K)).

Principais Resultados
A análise produziu resultados promissores relativamente à previsão de taxas de fluxo de calor com base em entradas de temperatura:

Desempenho da Arquitetura: As arquiteturas de Redes Neurais Recorrentes (RNN) (LSTM e GRU) forneceram geralmente resultados mais fiáveis quando foram utilizados conjuntos de dados maiores (rácios de treino de 1/2 e 2/3) para o treino. Por outro lado, a arquitetura MLP performou relativamente melhor com conjuntos de dados de treino menores (rácio de 1/4).
Melhor Desempenho: A previsão mais precisa para o rácio de treino/validação de 1/2 foi alcançada pelo modelo LSTM100, que produziu um RMSE de 1,68 e uma diferença relativa de 5,31% em comparação com o valor U medido.
Modelo Híbrido: O modelo LSTMGRU100 alcançou o menor RMSE (1,22) no rácio de treino de 2/3; no entanto, os autores notam que isto pode ser atribuído à maior proporção de dados de treino em vez de uma superioridade inerente da arquitetura.
Limitações: Uma análise adicional numa parede diferente revelou instabilidade potencial nas previsões quando as temperaturas de fronteira mudaram de formas não observadas durante o período de treino. Isto sugere que, embora o método seja eficaz em condições estáveis, pode ter dificuldades com variações térmicas de fronteira não vistas.

Significado e Alegações
O artigo alega que a aplicação de classes específicas de RNAs a resultados HFM oferece um caminho viável para reduzir o tempo necessário para medições de valor U in situ. Ao prever com sucesso o fluxo de calor com base em dados de temperatura, o sensor físico de fluxo de calor poderia, teoricamente, ser realocado para outros locais após um período de treino mais curto, acelerando assim a avaliação de múltiplos elementos construtivos.

No entanto, os autores mantêm uma postura modesta quanto à maturidade do método. Reconhecem que a estabilidade das previsões a longo prazo, particularmente com conjuntos de dados pequenos ou sob condições de fronteira variáveis, requer investigação adicional. O estudo identifica a influência de alterações de temperatura de fronteira não observadas como uma limitação primária, sugerindo que condições de medição rigorosas ou técnicas de regularização podem ser necessárias para conclusões mais certeiras. Consequentemente, o artigo posiciona estas descobertas como uma direção para investigação futura, em vez de uma solução finalizada para implementação generalizada imediata.