Un equipo que se dedica a la informática en la Universidad de Loughborough, Reino Unido, ha colaborado con la consultora de ingeniería Cundall en el desarrollo de un sistema de inteligencia artificial (IA) capaz de predecir rápidamente las tarifas energéticas de los edificios.
Las tarifas de emisión de los edificios (Building Emissions Rates, BER) son un componente importante para calcular el rendimiento y la eficiencia energética de los mismos, y son necesarias para completar el certificado de rendimiento energético (energy performance certificate, EPC) de un edificio.
Los métodos actuales de elaboración de estos índices se basan en la introducción manual de cientos de variables, lo que puede llevar desde horas hasta días en función de la complejidad del edificio.
Un equipo de investigación dirigido por la doctora Georgina Cosma y el estudiante de posgrado Kareem Ahmed, de la Facultad de Ciencias de Loughborough, afirma haber diseñado y entrenado un modelo de inteligencia artificial capaz de predecir los valores de BER de edificios no domésticos en menos de un segundo, con tan sólo 27 variables y sin apenas pérdida de precisión.
La Dra. Cosma describió la investigación como “un primer paso importante hacia el uso de herramientas de machine learning para la predicción energética en el Reino Unido”, mostrando cómo los datos pueden “mejorar los procesos actuales en la industria de la construcción”.
Creado con el apoyo del jefe de investigación e innovación de Cundall, Edwin Wealend, el modelo de IA fue entrenado, según se informa, con datos a gran escala obtenidos de las evaluaciones de rendimiento energético del gobierno del Reino Unido.
Los investigadores dijeron que utilizaron un algoritmo de machine learning “basado en un árbol de decisiones” y construyeron y validaron el sistema utilizando 81.137 registros de datos reales que contenían información para edificios no domésticos, como tiendas, oficinas y restaurantes, en toda Inglaterra a partir del año 2019. Los datos contenían información que incluía la capacidad del edificio, la ubicación, la calefacción, la refrigeración, la iluminación y la actividad.
“Existen estudios sobre las aplicaciones del machine learning en la predicción energética de los edificios, pero son limitados, y aunque solo representan el 8% de todos los edificios, los edificios no domésticos representan el 20% de las emisiones totales de CO2 del Reino Unido“, dijo el Dr. Cosma.
Wealend añadió que el equipo espera aprovechar las técnicas desarrolladas para predecir el consumo real de energía en funcionamiento.
“Al predecir el consumo de energía y las emisiones de los edificios no domésticos de forma rápida y precisa, podemos concentrar nuestra energía en la tarea más importante: reducir el consumo de energía y alcanzar el Net Zero”, comentó.
Los resultados del proyecto se presentaron en el Chartered Institution of Building Services Engineers (CIBSE) Technical Symposium 2021 y el documento se publicará en el sitio web de CIBSE a finales de este año.
Noticia tomada de: The Engineer / Traducción libre del inglés por World Energy Trade
Te puede interesar:
- Desarrollan una batería de sodio estable, eficiente y sin ánodos
- China da los últimos retoques al primer reactor nuclear de torio del mundo
- Baterías a base de cemento: una opción para el almacenamiento de energía en los edificios del futuro