Redes neurais artificiais para estimar a iluminação natural em ambientes residenciais com obstrução do entorno

Muitos países adotam instrumentos regulatórios para a melhoria do desempenho das edificações e a qualidade luminosa é frequentemente abordada em seus escopos. Métodos simplificados facilitam a aplicação de tais instrumentos e a inteligência artificial tem se mostrado útil para esse fim. Assim, o objetivo deste trabalho é a propor um metamodelo, utilizando-se redes neurais artificiais, para verificar o desempenho luminoso de edificações residenciais, considerando o impacto do entorno construído no contexto da revisão da norma brasileira “ABNT NBR 15.575-1 Edificações habitacionais — Desempenho”. Para isto, adotou-se a base de dados simulados para a proposta de revisão da norma, contendo 36.000 casos que relacionam a influência de obstruções externas à edificação ao seu desempenho quanto à suficiência e uniformidade da luz natural. Assim, metamodelos de redes neurais artificias Perceptron Multicamadas foram treinados com dados das cidades de Curitiba, Brasília e Belém. A arquitetura das redes consistiu em 3 camadas, a de entrada, uma oculta e a de saída. Testaram-se aspectos de sua arquitetura e do agrupamento dos parâmetros de entrada, as variáveis da edificação, e de saída, ALNE200lx,50% e ALNE60lx,50%. O seu desempenho global foi considerado aceitável, com erro percentual médio inferior a 10%, sendo necessário o seu refinamento para a redução de discrepantes. Concluiu-se que as RNA podem ser uma alternativa como método simplificado para aplicação na norma, apontando-se como opções de refinamento do metamodelo a variação do algoritmo de aprendizagem, da partição dos conjuntos de treinamento e teste, e a ampliação do seu escopo com outras proporções e transmissões visíveis.