Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações

Detalhes bibliográficos
Ano de defesa: 2024
Autor(a) principal: Bilésimo, Thayane Lodete
Orientador(a): Ghisi, Enedir
Banca de defesa: Não Informado pela instituição
Tipo de documento: Tese
Tipo de acesso: Acesso aberto
Idioma: por
Instituição de defesa: Não Informado pela instituição
Programa de Pós-Graduação: Não Informado pela instituição
Departamento: Não Informado pela instituição
País: Não Informado pela instituição
Link de acesso: https://repositorio.ufsc.br/handle/123456789/260744
Resumo: Tese (doutorado) ? Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Civil, Florianópolis, 2024.
id UFSC_a8928073ae7fccbb808ab534a02f6193
oai_identifier_str oai:repositorio.ufsc.br:123456789/260744
network_acronym_str UFSC
network_name_str Repositório Institucional da UFSC
repository_id_str
spelling Universidade Federal de Santa CatarinaBilésimo, Thayane LodeteGhisi, Enedir2024-10-14T23:25:32Z2024-10-14T23:25:32Z2024388192https://repositorio.ufsc.br/handle/123456789/260744Tese (doutorado) ? Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Civil, Florianópolis, 2024.O atual cenário do setor de edificações requer novas estratégias de eficiência energética, que sejam capazes de identificar e proporcionar aos usuários um ambiente confortável segundo sua percepção. A aprendizagem de máquina ? método de análise de dados capaz de identificar padrões e realizar inferências é uma alternativa para identificação das preferências dos usuários e controle dos sistemas das edificações, especialmente os de climatização e iluminação. A aprendizagem supervisionada é a abordagem mais usada, pois permite classificar condições ambientais em termos de conforto. No entanto, é importante identificar o algoritmo capaz de realizar inferências mais assertivas e de se adaptar às variações de preferências dos usuários das edificações ao longo do tempo. Neste sentido, o objetivo deste trabalho é propor um método para comparar o desempenho de diferentes algoritmos de aprendizagem supervisionada. O método deve permitir a identificação do algoritmo mais adequado para ser usado em estudos de sistemas de controle centrados no usuário. Para avaliar o desempenho dos algoritmos em cenários realistas, dados de ocupação, iluminância, temperatura, estado das aberturas e do sistema de iluminação artificial foram coletados durante oito meses, entre junho de 2022 e fevereiro de 2023, em um laboratório da Universidade Federal de Santa Catarina. Os dados foram pré-processados e agrupados em subconjuntos de 1, 7, 15 e 30 dias. Cada subconjunto foi utilizado no treinamento e teste dos algoritmos Decision Tree, k-Nearest Neighbors, Multilayer Perceptron, Random Forest e Support Vector Machine, visando prever o estado do sistema de iluminação. Os resultados foram comparados estatisticamente e os algoritmos foram avaliados a partir do cálculo da acurácia, precisão e sensibilidade. Inicialmente, identificou-se o subconjunto ideal (em quantidade de dias) para o funcionamento adequado de cada algoritmo. Em seguida, os algoritmos foram comparados. A melhor configuração (algoritmo e quantidade de dias) foi submetida a um processo de otimização. Posteriormente, simulou-se a atualização diária do conjunto de dados, a fim de avaliar o desempenho da configuração otimizada em um cenário realístico. Para o cenário estudado, o melhor resultado foi obtido utilizando o k-Nearest Neighbors e subconjuntos de 7 dias para treino. O algoritmo foi capaz de se adaptar às variações observadas após cada atualização, mesmo com a substituição completa do conjunto inicial de dados. Ao final da análise, acurácia, precisão e sensibilidade foram de 98%, em média. Por fim, pode-se afirmar que o método proposto permitiu comparar e selecionar adequadamente o algoritmo e o subconjunto ideal de dias para prever o estado do sistema de iluminação artificial.Abstract: The current building sector scenario demands new energy efficiency strategies. They need to be capable of identifying and assuring comfortable environments according to users? perceptions. Machine learning ? a method of data analysis capable of identifying patterns and make predictions ? is an alternative to identify users? preferences and control lighting and heating, ventilation and air-conditioning systems in buildings. Supervised learning is the most common approach because it allows classifying environmental conditions in terms of comfort. However, it is important to identify the algorithms? capacity of making right predictions and adapting to the change in the preferences of building users over time. This research aims to present a method to assess different supervised learning algorithms. The method must allow the identification of the most accurate algorithms to be used in studies of occupant centered control systems. In order to assess algorithms? performance in realistic scenarios, the following data were collected: occupancy, illuminance, temperature, and the current state of openings and artificial lighting system. Data were collected for eight months, between June 2022 and February 2023 in a research laboratory of Federal University of Santa Catarina. They were pre-processed and grouped in subsets within 1, 7, 15 and 30 days. Each subset was used in training and testing the following algorithms: Decision Tree, k-Nearest Neighbors, Multilayer Perceptron, Random Forest and Support Vector Machine, in order to predict the state of the lighting system. The results were statistically compared and the performance of the algorithms was assessed using each models? accuracy, precision and recall. First, the ideal subset to each algorithm (in number of days) was identified. In the next step, algorithms were compared. The best configuration (algorithm and number of days) was submitted to an optimization process. Then, the update of the subset was assessed, aiming to evaluate the optimized algorithm working in a realistic scenario. For this case study, the best results were achieved using the k- Nearest Neighbors and subsets within 7 days for training. The algorithm was able to adapt to changes in users? patterns and could reach a good performance even after total data substitution. At the end of the analysis, accuracy, precision and recall remained around 98%, in average. Finally, it is possible to affirm that the method proposed allowed to appropriately compare and select the algorithm and the ideal subset to predict the state of the artificial lighting system.137 p.| il., gráfs.porEngenharia civilAprendizado do computadorAlgorítmosConforto térmicoEficiência energéticaMetodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificaçõesinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/doctoralThesisreponame:Repositório Institucional da UFSCinstname:Universidade Federal de Santa Catarina (UFSC)instacron:UFSCinfo:eu-repo/semantics/openAccessORIGINALPECV1339-T.pdfPECV1339-T.pdfapplication/pdf3891663https://repositorio.ufsc.br/bitstream/123456789/260744/-1/PECV1339-T.pdf16f9f0a0b2ce1eb25e50c2e13506fdb4MD5-1123456789/2607442024-10-14 20:25:32.157oai:repositorio.ufsc.br:123456789/260744Repositório InstitucionalPUBhttp://150.162.242.35/oai/requestsandra.sobrera@ufsc.bropendoar:23732024-10-14T23:25:32Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)false
dc.title.none.fl_str_mv Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
title Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
spellingShingle Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
Bilésimo, Thayane Lodete
Engenharia civil
Aprendizado do computador
Algorítmos
Conforto térmico
Eficiência energética
title_short Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
title_full Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
title_fullStr Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
title_full_unstemmed Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
title_sort Metodologia para seleção de algoritmo de aprendizagem de máquina para estudos de controle centrado no usuário de edificações
author Bilésimo, Thayane Lodete
author_facet Bilésimo, Thayane Lodete
author_role author
dc.contributor.none.fl_str_mv Universidade Federal de Santa Catarina
dc.contributor.author.fl_str_mv Bilésimo, Thayane Lodete
dc.contributor.advisor1.fl_str_mv Ghisi, Enedir
contributor_str_mv Ghisi, Enedir
dc.subject.classification.none.fl_str_mv Engenharia civil
Aprendizado do computador
Algorítmos
Conforto térmico
Eficiência energética
topic Engenharia civil
Aprendizado do computador
Algorítmos
Conforto térmico
Eficiência energética
description Tese (doutorado) ? Universidade Federal de Santa Catarina, Centro Tecnológico, Programa de Pós-Graduação em Engenharia Civil, Florianópolis, 2024.
publishDate 2024
dc.date.accessioned.fl_str_mv 2024-10-14T23:25:32Z
dc.date.available.fl_str_mv 2024-10-14T23:25:32Z
dc.date.issued.fl_str_mv 2024
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/doctoralThesis
format doctoralThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://repositorio.ufsc.br/handle/123456789/260744
dc.identifier.other.none.fl_str_mv 388192
identifier_str_mv 388192
url https://repositorio.ufsc.br/handle/123456789/260744
dc.language.iso.fl_str_mv por
language por
dc.rights.driver.fl_str_mv info:eu-repo/semantics/openAccess
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv 137 p.| il., gráfs.
dc.source.none.fl_str_mv reponame:Repositório Institucional da UFSC
instname:Universidade Federal de Santa Catarina (UFSC)
instacron:UFSC
instname_str Universidade Federal de Santa Catarina (UFSC)
instacron_str UFSC
institution UFSC
reponame_str Repositório Institucional da UFSC
collection Repositório Institucional da UFSC
bitstream.url.fl_str_mv https://repositorio.ufsc.br/bitstream/123456789/260744/-1/PECV1339-T.pdf
bitstream.checksum.fl_str_mv 16f9f0a0b2ce1eb25e50c2e13506fdb4
bitstream.checksumAlgorithm.fl_str_mv MD5
repository.name.fl_str_mv Repositório Institucional da UFSC - Universidade Federal de Santa Catarina (UFSC)
repository.mail.fl_str_mv sandra.sobrera@ufsc.br
_version_ 1851759137235402752

Registros relacionados