Buildingenergy.ninja: A web-based surrogate model for instant building energy time series for any climate.

Machine learning-based surrogate models are trained on building energy simulation input and output data. Their key advantage is their computational speed allowing them to produce building performance estimates in fractions of a second. In this work we showcase the use of deep convolutional neural network surrogate models embedded into a web application, allowing users to rapidly explore building performance at high spatio-temporal resolution. Users can pick any climate on an interactive map, customize a building design with thirteen decisive design parameters, and the surrogate model allows them to retrieve hourly heating and cooling load time series data in fractions of a second. In this work, we further show that the surrogate model reaches an accuracy of R 2 > 0.93 (MAE < 0.27 kWh) for unseen design specifications and climates. These results motivate the use of computationally cheap surrogate models to replace building energy simulation for a wide variety of tasks in the future.

Estudo de interoperabilidade entre software BIM e softwares de análise energética de edificações (BES)

A utilização de softwares BIM (Building Information Model) e BES (Building Energy Simulation) facilitam as análises energéticas das edificações e tornam este processo preciso e otimizado. No entanto, para que sejam obtidos resultados consistentes, faz-se necessário garantir a interoperabilidade entre esses. Nesta pesquisa, foi realizado um estudo de caso para verificar o nível de interoperabilidade de três softwares BES (eQUEST®, IES-VE® e GBS®), através da exportação de um projeto modelo desenvolvido em software BIM (Revit®). Para a avaliação do desempenho em relação a interoperabilidade entre os softwares, foram analisados cinco critérios e, com base nas análises destes e nos resultados encontrados, conclui-se que o eQUEST® apresentou as melhores condições de interoperabilidade dentre as opções analisadas.