Desarrollo de un modelo de aprendizaje autónomo para predecir la calificación energética de un edificio en Cataluña
| Autor: | Mus Catala, Carlos |
|---|---|
| Přispěvatelé: | Universitat Politècnica de Catalunya. Departament d'Enginyeria de Projectes i de la Construcció, Ikumi Montserrat, Tai |
| Jazyk: | Spanish; Castilian |
| Rok vydání: | 2023 |
| Předmět: |
Buildings -- Catalonia (Spain) -- Energy consumption -- Mathematical models
Architecture and energy conservation -- Certification -- Software Edificis -- Catalunya -- Consum d'energia -- Models matemàtics Arquitectura i estalvi d'energia -- Certificació -- Programari Edificació::Construcció sostenible [Àrees temàtiques de la UPC] |
| Popis: | En la actualidad, las calificaciones energéticas de los edificios son uno de los factores clave a la hora de caminar hacia una sociedad más sostenible. Este enfoque tiene el objetivo de mejorar la eficiencia energética y la sostenibilidad en el sector de la construcción, reduciendo significativamente el consumo energético y las emisiones de gases de efecto invernadero. Este Trabajo de Fin de Grado propone una metodología para la determinación de la calificación energética del consumo de energía primaria no renovable de los edificios en Cataluña, mediante el uso de un modelo de aprendizaje autónomo basado en redes neuronales. El modelo está elaborado con el lenguaje de programación Python y una serie de sus librerías como TensorFlow y sklearn. El modelo es evaluado con una base de datos que contiene información básica de las edificaciones, obviando los elementos más técnicos como las instalaciones o un desglose detallado y numérico de la envolvente térmica de la edificación. Finalmente, se obtiene una precisión máxima del 47.62% utilizando dicha base de datos con información básica de las edificaciones que podría ser fácilmente obtenida por el público no especializado en el área Actualment, les qualificacions energètiques dels edificis són un dels factors clau a l'hora de caminar cap a una societat més sostenible. Aquest enfocament té l'objectiu de millorar l'eficiència energètica i la sostenibilitat al sector de la construcció, reduint significativament el consum energètic i les emissions de gasos d'efecte hivernacle. Aquest Treball de Fi de Grau proposa una metodologia per a la determinació de la qualificació energètica del consum d’energia primària no renovable dels edificis a Catalunya, mitjançant l’ús d’un model d’aprenentatge autònom basat en xarxes neuronals. El model està elaborat amb el llenguatge de programació Python i una sèrie de les seves llibreries com ara TensorFlow i sklearn. El model és avaluat amb una base de dades que conté informació bàsica de les edificacions, obviant els elements més tècnics com les instal·lacions o un desglossament detallat i numèric de l'envolupant tèrmica de l'edificació. Finalment, s'obté una precisió màxima del 47,62% utilitzant aquesta base de dades amb informació bàsica de les edificacions que podria ser fàcilment obtinguda pel públic no especialitzat en l'àrea Today, energy ratings of buildings are one of the key factors in moving towards a more sustainable society. This approach aims to improve energy efficiency and sustainability in the building sector, significantly reducing energy consumption and greenhouse gas emissions. This Final Degree Project proposes a methodology for determining the energy rating of the non-renewable primary energy consumption of buildings in Catalonia, by using an autonomous learning model based on neural networks. The model is developed using the Python programming language and a series of its libraries such as TensorFlow and sklearn. The model is evaluated with a database that contains basic information about the buildings, ignoring the more technical elements such as the installations or a detailed and numerical breakdown of the building's thermal envelope. Finally, a maximum accuracy of 47.62% is obtained by using such a database with basic building information that could be easily obtained by the non-specialist public |
| Databáze: | OpenAIRE |
| Externí odkaz: |
|