Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
CARLO EM SIMULAES
HIGROTRMICAS DE EDIFCIOS
FEVEREIRO DE 2011
miec@fe.up.pt
Editado por
feup@fe.up.pt
http://www.fe.up.pt
Este documento foi produzido a partir de verso electrnica fornecida pelo respectivo
Autor.
Aos meus Pais, minha irm, av e a todos os meus amigos pelo apoio incondicional.
AGRADECIMENTOS
Agradeo ao Professor Doutor Nuno Manuel Monteiro Ramos, meu orientador de tese de mestrado
integrado, pela disponibilidade e pacincia, apoio, orientao. Obrigado pelo tema proposto, pelo
tempo disponibilizado na correco da tese, que nem sempre foi pacfica.
Obrigado Professora Doutora Maria de Lurdes de Oliveira Simes, minha co-orientadora da rea de
Estatstica, por toda a ajuda, apoio e disponibilidade que sempre demonstrou aquando da escolha do
algoritmo de gerao de nmeros aleatrios, assim como na compreenso dos resultados obtidos e na
leitura atenta dos textos.
Aos meus amigos, Edgar, Ana Catarina, Catarina, Diana, Alvim, Hlder, Ins, Sara, Cristina, Filipa,
Brize, Nria, Ricardo, Guida, Ana Filipa, Nuno, Fernando, Carla, Tininha, Silvano, Daniel, Rui, Sofia
e Teresa por todo o apoio e carinho e pelas palavras de incentivo que deram e continuam a dar.
Agradeo aos meus pais, irm e av, pelo apoio incondicional que me tm dado ao longo do curso.
Foram sem dvida uma ajuda muito grande neste percurso.
Muito Obrigado a todos pelo vosso apoio e compreenso!
ii
RESUMO
O trabalho desenvolvido nesta dissertao tem como principal objectivo a aplicao do Mtodo de
Monte Carlo ao clculo higrotrmico em regimes dinmico. Pretende-se, tambm, compreender qual o
comportamento das temperaturas interiores, ou seja, qual a distribuio que as temperaturas seguem se
a ventilao natural seguir uma distribuio normal.
A simulao numrica de valores aleatrios de ventilao natural foi efectuada atravs do programa
EnergyPlus verso 5.0. Recorreu-se tambm ao programa Microsoft Excel com o objectivo de
organizar e analisar grfica e estatisticamente os resultados obtidos nas simulaes higrotrmicas.
Os valores de ventilao natural foram obtidos aleatoriamente, determinados a partir do conceito do
Mtodo de Monte Carlo. Este mtodo usado em processos estocsticos e a meteorologia um
processo muito aleatrio porque apesar de existirem previses, estas podem mudar passado pouco
tempo. Para gerar essa amostra de valores foi usada uma frmula geradora de nmeros aleatrios, o
mtodo congruencial multiplicativo.
Depois da amostra gerada atravs do mtodo congruencial multiplicativo, que representa a ventilao
natural segundo uma distribuio estatstica definida, os valores da amostra foram introduzidos no
programa EnergyPlus a fim de simular os diferentes valores de ventilao. Nestas simulaes tambm
foi considerado a variao do nmero de ocupantes.
Os resultados obtidos nas simulaes realizadas pelo programa de simulao higrotrmica foram
analisados estatisticamente. Os resultados foram tratados segundo uma anlise descritiva e por
inferncia estatstica. A anlise efectuada permitiu concluir que existe uma maior variao das
temperaturas interiores no ms de Janeiro em comparao com o ms de Maio. Verificou-se tambm
que necessrio uma maior variao da ventilao natural e do nmero de ocupantes para que a
amplitude dos intervalos de confiana seja maior.
Este estudo permitiu, ainda, perceber que a ventilao natural e a flutuao do nmero de ocupantes
tm influncia no comportamento das temperaturas interiores do edifcio escolar analisado.
iii
iv
ABSTRACT
The work developed in this dissertation has as main objective the application of the Monte Carlo
method in situations involving dynamic systems. The aim is also to understand what the behavior of
indoor temperature is, i.e., what statistical distribution the temperatures takes if natural ventilation
follows a normal path.
The numerical simulation of random values for natural ventilation was carried out by the EnergyPlus
version 5.0. It also appealed to the Microsoft Excel program in order to organize and analyze the
statistical and graphical simulation hygrothermal results.
The values of natural ventilation were randomly determined based on the concept of Monte Carlo
Method. This method is used in stochastic processes and weather forecast is a very random process as
forecasts may change shortly thereafter. To create sample values a formula was used for generating
random numbers, the multiplicative congruent method.
After a sample generated by the multiplicative congruent method, representing the natural ventilation
according to a statistical distribution defined, values were introduced in the EnergyPlus program to
simulate the different levels of ventilation. In these simulations was also taken into account the
number of occupants alternation.
The results taken in the simulation performed by the hygrothermal simulation program were analysed
statistically and were treated according to a descriptive analysis and by statistical inference. The
analysis concluded that there is a greater variation of indoor temperatures in January when compared
with the month of May. It might be concluded that also requires a greater variation of natural
ventilation and the number of occupants that the amplitude of the confidence intervals were larger.
This study enable us to understand that natural ventilation and the variation in the number of
occupants have a high influence on the indoor temperature behavior of the school building analyzed.
KEY WORDS: hygrothermal simulation, EnergyPlus, Monte Carlo Method, Statistical Analysis,
Natural Ventilation.
vi
NDICE GERAL
AGRADECIMENTOS ................................................................................................................................... i
RESUMO ................................................................................................................................. iii
ABSTRACT ............................................................................................................................................... v
1. INTRODUO ....................................................................................................................1
1.1. ENQUADRAMENTO GERAL .............................................................................................................. 1
1.2. OBJECTIVOS..................................................................................................................................... 2
1.2. DIVISO E ORGANIZAO DO TEXTO ............................................................................................. 2
vii
5. CONCLUSES................................................................................................................ 75
5.1. CONCLUSES GERAIS .................................................................................................................. 75
5.2. DESENVOLVIMENTOS FUTUROS ................................................................................................... 77
BIBLIOGRAFIA ....................................................................................................................................... 79
viii
NDICE DE FIGURAS
Fig.1 Mtodo da transformao inversa para gerar aleatrias (Veiga, 2008). ..................................... 5
Fig.2 Amostragem aleatria (Dehlendorff, 2010). ................................................................................. 6
Fig.3 Mtodo Hipercubo Latino (Dehlendorff, 2010). ............................................................................ 7
Fig.4 Matriz de valores de entrada (Dehlendorff, 2010). ...................................................................... 8
Fig.5 Amostras aleatria pelo mtodo Hipercubo Latino (Dehlendorff, 2010). ..................................... 8
Fig.6 Escolha aleatria, Hipercubo Latino (Dehlendorff, 2010). ........................................................... 9
Fig.7 Escolha dos pontos mdios, Hipercubo Latino (Dehlendorff, 2010) .......................................... 10
Fig.8 Cruzamentos dos 2 mtodos aplicados anteriormente (Dehlendorff, 2010). ............................ 10
Fig.9 Hipercubo Latino no aleatrio (Dehlendorff, 2010). ................................................................. 11
Fig.10 Hipercubo Latino aleatrio (Dehlendorff, 2010). ...................................................................... 12
Fig.11 Exemplo de um modelo Hipercubo Latino optimizado (Dehlendorff, 2010) ............................ 12
Fig.12 Aplicao da Distribuio Uniforme com o Hipercubo Latino (Dehlendorff, 2010). ................. 13
Fig.13 Aplicao da Distribuio Uniforme com o Hipercubo Latino (Dehlendorff, 2010). ................. 13
Fig.14 Problema de interpolao inicial para y(x)= sin(10 x) com x [0,1] (10 pontos) (Dehlendorff,
2010). ..................................................................................................................................................... 15
Fig.15 Interpolao de 10 pontos (Dehlendorff, 2010). ...................................................................... 16
Fig.16 Aproximao usando 10 pontos de interpolao (Dehlendorff, 2010). .................................... 16
Fig.17 Aproximao usando 11 pontos de interpolao (Dehlendorff, 2010). .................................... 17
Fig.18 Aproximao usando 12 pontos de interpolao (Dehlendorff, 2010). .................................... 17
Fig.19 Aproximao usando 13 pontos de interpolao (Dehlendorff, 2010). .................................... 18
Fig.20 Aproximao usando 14 pontos de interpolao (Dehlendorff, 2010). .................................... 18
Fig.21 Aproximao usando 15 pontos de interpolao (Dehlendorff, 2010). .................................... 19
Fig.22 Exemplo Funo Densidade de Probabilidade da Distribuio Uniforme no intervalo [a,b]. .. 22
Fig.23 Exemplo Funo Distribuio de Probabilidade da Distribuio Uniforme no intervalo [a,b] .. 22
Fig.24 Exemplo Funo Densidade de Probabilidade, Distribuio Normal. ..................................... 23
Fig.25 Exemplo Funo Distribuio de Probabilidade, Distribuio Normal. .................................... 24
Fig.26 Exemplo Funo Densidade de Probabilidade da Distribuio Weibull. ................................. 24
Fig.27 Exemplo Funo Distribuio de Probabilidade da Distribuio Weibull. ............................... 26
Fig.28 Mdia e desvio padro para as diferentes zonas do edifcio em estudo. ................................ 29
Fig.29 Mdia e desvio padro para as diferentes estaes do ano. .................................................. 30
Fig.30 Comparao dos resultados de acordo com o algoritmo de Yun e de Humphreys. ............... 31
Fig.31 Ilustrao da percentagem de energia consumida pelo sector residencial de utentes. .......... 32
ix
Fig.58 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de
Janeiro no perodo das [11-15] horas. ................................................................................................... 58
Fig.59 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 26 de
Janeiro no perodo das [11-15] horas. ................................................................................................... 59
Fig.60 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 26
de Janeiro no perodo das [11-15] horas. .............................................................................................. 59
Fig.61 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio no
perodo de ocupao. ............................................................................................................................. 60
Fig.62 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no
dia 5 de Maio. ......................................................................................................................................... 61
Fig.63 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio no
perodo das [11-15] horas. ..................................................................................................................... 61
Fig.64 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 5 de
Maio no perodo das [11-15] horas. ....................................................................................................... 62
Fig.65 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio no
perodo das [11-15] horas. ..................................................................................................................... 62
Fig.66 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 24
de Maio no perodo das [11-15] horas. .................................................................................................. 63
Fig.67 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Janeiro. 64
Fig.68 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o
ms de Janeiro. ...................................................................................................................................... 64
Fig.69 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro. ........ 65
Fig.70 Temperaturas mdias horrias interiores, no dia 4 de Janeiro................................................ 66
Fig.71 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de
Janeiro no perodo das [11-15] horas. ................................................................................................... 66
Fig.72 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 16 de
Janeiro. ................................................................................................................................................... 67
Fig.73 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 16
de Janeiro no perodo das [11-15] horas. .............................................................................................. 68
Fig.74 Caracterizao da amostra das temperaturas dirias registadas durante o ms de Maio. .... 68
Fig.75 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio. ............ 69
Fig.76 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias
registadas no dia 5 de Maio. .................................................................................................................. 69
Fig.77 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio. .......... 70
Fig.78 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias
registadas no dia 24 de Maio. ................................................................................................................ 70
xi
NDICE DE QUADROS
xii
SMBOLOS E ABREVIATURAS
- Mdia
Desvio padro
2
Varincia
-1
xiii
xiv
1
INTRODUO
Como j foi referido anteriormente, a ventilao tem uma grande influncia no comportamento
trmico dos edifcios, sendo este o parmetro principal a simular neste estudo.
1.2. OBJECTIVOS
O principal objectivo deste trabalho de dissertao consiste na aplicao do mtodo de Monte Carlo na
simulao do comportamento higrotrmico em edifcios. Os resultados so analisados recorrendo
estatstica descritiva e inferncia estatstica.
Para que este objectivo fosse alcanado, foram definidos outros objectivos tambm muito importantes
no desenvolvimento deste trabalho:
O Captulo 2 apresenta o Mtodo de Monte Carlo, em que se descreve como se usa este
mtodo de simulao, assim como todos os campos que so inerentes sua utilizao e ainda
exemplos acadmicos da sua utilizao.
O Captulo 4 divide-se entre 2 campos importantes: numa delas indicado qual a metodologia
usada para o clculo das dados que foram necessrios para o uso do programa EnergyPlus e
quais os parmetros usados para efectuar as devidas simulaes; na outra parte so
apresentados os resultados das mesmas em funo do respectivo cenrio base.
2
MTODO DE MONTE CARLO
2.1. INTRODUO
Este captulo tem como principal objectivo apresentar uma descrio dos conceitos bsicos da
aplicao do Mtodo de Monte Carlo, definir processos estocsticos e a variabilidade de que estes
podero ser afectados, mas principalmente explicar como que este mtodo pode ser aplicado em
diversos mbitos da Engenharia Civil e indicar as suas potencialidades.
O mtodo de Monte Carlo uma ferramenta matemtica usada em diversas reas da cincia e da
Engenharia, devido sua capacidade de resolver problemas que podem ser representados por
processos estocsticos. Este mtodo pode ser descrito como um mtodo estocstico, na qual se utiliza
uma sequncia de nmeros aleatrios para a realizao de uma simulao (Veiga, 2008).
Num processo estocstico est sempre associada uma incerteza, ou seja no possvel prever com
preciso um acontecimento, nomeadamente na evoluo futura descrita por distribuies de
probabilidade. A condio inicial, ou o valor de partida, conhecido, mas existem diversas
possibilidades que um determinado processo pode seguir. Ou seja, existem vrios percursos possveis,
sendo no entanto uns mais provveis do que outros.
Os processos estocsticos tm a vantagem de incluir a variabilidade do fenmeno em estudo. Esta
variabilidade reflecte-se consoante a amostra em anlise, pois a variabilidade est directamente ligada
ao clculo da varincia, que por definio uma medida de disperso, e indica o quo longe esto os
valores observados do valor esperado. A varincia sempre positiva ou nula e quanto maior for a
amostra menor ser a varincia e mais representativa ser a amostra (Murteira, 2007).
Por outro lado, pode ter-se um processo estocstico constitudo por um campo aleatrio, cujo domnio
uma regio do espao. Neste caso, a abordagem de processos estocsticos feita atravs de funes
de um ou vrios argumentos. Os valores de sada so variveis aleatrias no deterministas e tm
quantidades determinadas segundo distribuies de probabilidades e todas essas quantidades tm
correspondncia no mesmo contradomnio (Murteira, 2007).
Quando difcil obter resultados analticos exactos necessrio recorrer a aproximaes e para isso
so utilizados os mtodos numricos. Como a maior parte dos problemas existentes so
demasiadamente complexos, no so lineares e nem sempre dispomos de conhecimentos matemticos
suficientemente bons para resolvermos estes problemas necessrio recorrer a estes mtodos
numricos, que so uma mais-valia no clculo de modelos muito complexos.
Em todos os clculos existem erros associados, pois estamos a lidar com aproximaes e no podemos
de forma alguma ignorar a existncia de erros. Existem vrios tipos de erros, como por exemplo os
erros inerentes ou seja, normalmente o modelo que criado no totalmente realista pois uma
aproximao da realidade e a estes erros esto associados normalmente restries que so impostas
pelo utilizador e so um pouco idealistas. Por outro lado, o facto de os dados e os parmetros serem
resultado de observaes e medies experimentais, logo existe sempre uma incerteza associada.
Os erros de mtodo resultam das frmulas utilizadas, que por serem aproximadas no do o valor
exacto como seria de esperar, tm por isso um erro associado. Existem tambm os erros associados ao
clculo automtico pois muitas vezes os computadores trabalham com um nmero finito de dgitos
para poder representar nmeros reais. Existem vrios mtodos para podermos calcular
aproximadamente um determinado modelo, como por exemplo, interpolao polinomial, mtodo dos
mnimos quadrados, integrao numrica, etc, (Pina, 1995).
Neste captulo apesar de apresentar um mtodo especfico que nos serve de base para podermos
calcular o nosso modelo de clculo, queremos mostrar que o mtodo de Monte Carlo um mtodo que
pode ser aplicado tambm a processos dinmicos, no se cingindo apenas a processos estticos.
3. Simulao de valores para essas variveis aleatrias com base nas suas distribuies:
= , ,
;
A gerao de nmeros aleatrios para uma determinada distribuio o um factor muito importante
para se poder usar a tcnica de simulao de Monte Carlo.
Estes nmeros aleatrios podem ser gerados atravs de variveis discretas ou contnuas. Se estas
variveis estiverem relacionadas com determinada funo de distribuio Fx(x) , os nmeros gerados
podem ser uniformemente distribudos entre ]0,1[. Tendo a funo de probabilidade da distribuio
das variveis do qual geramos os nmeros aleatrios, podemos atravs da inversa, Fx(x)-1, achar os
valores pretendidos para efectuar as simulaes pretendidas (Veiga, 2008).
A Figura 1 mostra graficamente como se processa o mtodo anteriormente referido.
Figura 1 Mtodo da transformao inversa para gerar amostras aleatrias (Veiga, 2008).
Quantas mais simulaes forem efectuadas maior vai ser a probabilidade obtida pelo mtodo de Monte
Carlo de chegarmos ao valor exacto da situao em anlise.
Como todos os mtodos, o mtodo de Monte Carlo tem vantagens e desvantagens (Dehlendorff,
2010).
Vantagens:
A maior parte dos problemas no podem ser resolvidos analiticamente.
As condies experimentais podem ser controladas.
possvel estudar fenmenos a longo prazo.
Desvantagens:
uma aproximao.
O modelo pode levar muito tempo a ser calculado.
Por vezes a soluo analtica pode ser tratada.
Como j foi referido anteriormente, estes nmeros aleatrios seguem uma determinada distribuio
estatstica que normalmente dever ser a mesma distribuio das variveis que lhes deram origem. Os
nmeros calculados aleatoriamente devem ser independentes entre si, para que no exista qualquer
tipo de correlao entre os nmeros seguintes.
O mtodo de Monte Carlo est de certa forma associado a simulaes em que os parmetros variam
relativamente pouco no tempo. Ou seja, geralmente utilizado em problemas estticos sendo por isso
muito pouco utilizado no clculo do comportamento trmico dos edifcios.
Contudo, existem j alguns estudos aplicados simulao higrotrmica de edifcios, onde aplicado
este mtodo de forma a calcular, segundo a variao de diversos parmetros, o comportamento de
ocupao do edifcio, radiao solar, isolamento trmico, envidraados, metabolismo, iluminao,
temperatura exterior e interior, humidade relativa, vento e ventilao.
As etapas para podermos proceder s simulaes so (Lustosa et al., 2004):
2.3. AMOSTRAGEM
Para efectuarmos esta escolha de nmeros aleatrios temos de ter uma amostra, na qual deveremos
escolher as variveis de entrada, temos de escolher o nmero de combinaes diferentes para testar e
por fim escolhermos uma sequncia {x1, , xn}. Ou, ento, escolher um conjunto de pontos de um
espao, (Figura 3), ou ainda definir uma matriz de valores de entrada para o modelo, (Figura 4)
(Dehlendorff, 2010).
O Hipercubo Latino um mtodo estatstico que permite gerar uma distribuio de valores plausveis
de parmetros de uma distribuio multidimensional. Em estatstica uma amostra pode representar-se
por uma grelha quadrada com posies da amostra, formando um quadrado latino se e s se no for
apenas uma amostra em cada linha e cada coluna. O Hipercubo Latino a generalizao do conceito
anteriormente definido, para um conjunto aleatrio de dimenses, e em que cada amostra nica em
cada eixo hiperplano que a contm (Dehlendorff, 2010).
Este mtodo pode englobar diversas variveis, porm quando comeamos a ter mais que duas ou trs
variveis, deixa de ser possvel visualizar e perceber como podem estar relacionadas em termos
grficos.
O Hipercubo Latino selecciona valores aleatoriamente de forma dependente. Tal mtodo divide a
distribuio em intervalos com probabilidades iguais de sorteio e selecciona um valor aleatrio
pertencente a cada um dos intervalos. O mtodo do Hipercubo Latino mais preciso para a reproduo
das distribuies de probabilidade escolhidas para as variveis de entrada e, consequentemente, para o
clculo de estatsticas geradas pela simulao. Isto porque o intervalo da distribuio utilizado de
forma mais unnime e consistente (Vose, 2000).
De forma alternativa, quando o objectivo principal for a gerao de uma diversidade de cenrios
independentes, ento a gerao aleatria pura torna-se, por definio, mais adequada. Adicionalmente,
o padro de aleatoriedade propiciado por esse mtodo pode ser conveniente para os casos em que as
distribuies das variveis de entrada so definidas sem a utilizao de dados histricos.
As figuras seguintes, Figuras 8 e 9, mostram a escolha aleatria num exemplo de aplicao do mtodo
do Hipercubo Latino:
.
Figura 7 Escolha dos pontos mdios, Hipercubo Latino (Dehlendorff, 2010).
A Figura 10, mostra como seria o cenrio caso ocorressem os 2 casos anteriores num s:
10
Parmetros
Valores Independentes
Sim
No
No
Sim
Espao de enchimento
No
Sim
Para obter modelos do Hipercubo Latino que sejam razoveis e fiquem longe de exemplos que sejam
fracos do ponto de vista aleatrio necessrio que no apresente a seguinte escolha aleatria como
se pode verificar na Figura 9. A Figura 9 representa o que no dever acontecer num modelo
representado pelo Hipercubo Latino, no existe aleatoriedade.
A Figura 10 corresponde a um Hipercubo Latino bem sucedido, ou seja, a escolha dos valores foi
realizada de forma totalmente aleatria.
11
Para podermos ter modelos optimizados do Hipercubo Latino importante que sejam respeitados os
seguintes conceitos (Dehlendorff, 2010):
12
Como o prprio nome indica, este mtodo usa a distribuio uniforme para ser possvel construir um
modelo de disperso. um modelo robusto e usa um factor para n simulaes:
"
!#
{ , ,,
} Dehlendorff, 2010.
! !
A Figura 12 representa uma amostra de nmeros aleatrios entre 0 e 1 entre duas variveis x1 e x2. Na
Figura 13 foi escolhida uma amostra representativa destas duas variveis.
13
Restrio de tempo
Preciso do modelo
Valor ptimo no pode ser melhorado.
Este mtodo baseia-se num algoritmo que gera e simula uma pequena experincia, encontra o prximo
ponto de partida de acordo com alguns critrios e a execuo do modelo e por fim avalia os critrios
de paragem e volta ao ponto anterior se estes no forem devidamente satisfeitos. Porm este mtodo
tem alguns pontos crticos (Dehlendorff, 2010):
Existem outras formas para gerar amostras recorrendo a outros mtodos, como por exemplo (Gudwin
& Von Zuben, 1998):
14
Modelo de chegada
Anlise de Sensibilidade
Anlise What If
Robustez dos Mtodos.
Considerando uma amostra de observaes y1, , yN, como o resultado dado pelos valores de entrada
introduzidos no modelo:
211
1
271
214
8
274
O modelo de Chegada um mtodo que nos permite construir um modelo simplificado que representa
ou se assemelha ao modelo computacional. Ou seja, criamos uma modelo para podermos calcular um
outro modelo semelhante. Neste processo de anlise podemos ter outros sub-processos: modelos
polinomiais, Splines, Kriging. Sendo que o mais adequado a simulaes ser usarmos o processo de
Kriging (Dehlendorff, 2010).
O mtodo Kriging permite-nos fazer simulaes, e um mtodo que tem as seguintes caractersticas
em termos matemticos: usa a interpolao de dados, muito utilizado para anlise de experincias e
simulaes em computadores, um mtodo bastante flexvel na anlise de fenmenos e os parmetros
de entrada devem ser quantitativos.
Y2 = : + <2 1
Figura 14 Problema de interpolao inicial para y(x)= sin(10 x) com x [0,1] (10 pontos) (Dehlendorff, 2010).
Na figura 15, foram escolhidos aleatoriamente 10 pontos da funo de forma a ser possvel desenhar
um grfico aproximado desta funo.
15
A Figura 16 apresenta a aproximao j realizada atravs dos pontos que foram escolhidos ao acaso:
Nas figuras 14, 15 e 16, podemos verificar que o mtodo usa uma forma sequencial de criar uma
determinada amostra entre [0,1], pois a frmula utilizada para criar este exemplo uma frmula
continua no seu domnio. Neste mtodo podem ser escolhidos vrios pontos aleatrios como
poderemos verificar em outros exemplos de aplicao apresentados de seguida.
Em seguida so demonstrados outros exemplos de aplicao para 11, 12, 13, 14 e 15 pontos escolhidos
aleatoriamente, possvel ver a evoluo desta funo. Na figura 17, foram escolhidos 11 pontos
aleatoriamente, contudo esta escolha no consegue representar minimamente a funo original.
16
Na Figura 18, o mesmo exemplo aplicado para 12 pontos escolhidos aleatoriamente e pode-se
verificar como que feita a aproximao funo original:
17
Como se pode verificar medida que so escolhidos mais pontos para se poder fazer uma
aproximao da funo D2 = sin10G2, com x [0,1]. Porm nem sempre a escolha destes pontos
aleatria e sendo assim a aproximao pode no ser bem sucedida como o exemplo da Figura 17.
A Figura 20 representa a aproximao da funo de acordo com 14 pontos escolhidos:
A Figura 21 a aproximao da funo para 15 pontos escolhidos e como se pode verificar uma
aproximao bastante razovel da funo original.
18
Como se pode verificar pelos vrios exemplos apresentados, o mtodo de Kriging um mtodo de
interpolao. A interpolao permite fazer a reconstituio (aproximada) de uma funo, bastando
para tanto conhecer algumas das suas abcissas e respectivas ordenadas (imagens no contra-domnio da
funo). A funo resultante garantidamente passa pelos pontos fornecidos, e, em relao aos outros
pontos pode ser considerada um mero ajuste. Ou seja este mtodo consiste em aproximar funes
complexas por outras mais simples, escolhendo dados pontuais e interpolados com uma funo mais
simples.
Como ser previsvel, quando se usam funes mais simples para obter o resultado, este no ser o
mesmo que seria obtido pela funo exacta. Mas, tendo em conta o domnio e o mtodo de
interpolao, o facto de este ser simplificado pode compensar o erro. O mtodo Kriging um mtodo
estocstico com factores quantitativos e qualitativos e tem uma resposta mltipla. usado em
amostras de nmeros sequenciais e parte do princpio que pontos prximos no espao tendem a ter
valores mais parecidos do que pontos mais afastados.
Os estimadores de Kriging constituem uma soluo ptima para a inferncia das caractersticas mdias
globais ou locais de um fenmeno, o que o torna um modelo ideal para a primeira visualizao das
suas caractersticas. No entanto, por vezes necessrio conhecer no as caractersticas mdias, mas
sim os seus extremos, ou por outras palavras, a probabilidade de exceder um determinado valor de
corte, ou o inverso. Este mtodo de Kriging incorporado na estimao dos valores extremos e da
incerteza local permite aferir a probabilidade de ocorrncia de determinados valores extremos com
grande rigor (Castro e Lopes, 2010).
Geralmente a anlise de sensibilidade passa pela construo de um modelo da realidade que estamos a
simular, com as relaes entre os parmetros e as variveis e resultados de um sistema. Uma vez
construdo esse modelo, em software especfico, passa a ser possvel variar os parmetros cujo efeito
se quer determinar, e a observar os resultados do modelo. Assim, podem estimar-se impactos sobre os
19
resultados de um modelo de uma empresa, da variao de preos, volumes, taxas de juro, taxas de
cmbio, custos, etc.
Numa anlise de sensibilidade necessrio ter em conta trs factores fundamentais. Esses factores so
os seguintes: identificar quais os parmetros mais importantes, ou seja, necessrio fazer uma triagem
dos factores que so interessantes para o nosso modelo, se esta anlise localizada em que so
analisados resultados parciais ou ainda se uma anlise global de um determinado parmetro, neste
caso fundamental relacionar a incerteza das variveis de sada com a incerteza das variveis de
entrada (Dehlendorff, 2010).
Como se sabe, uma anlise deste tipo uma anlise que imposta a um determinado problema para
podermos analisar as suas vantagens e desvantagens de acordo com certos factores que nos podero
ajudar a decidir qual o melhor caminho a ser seguido. Basicamente, trata-se de investigar o efeito que
certos parmetros podem ter na escolha de uma determinada soluo, que pode ser a melhor a ter em
conta o nosso problema (Neves, Jardim, 2003 e Cruz, 2000).
Os objectivos mais importantes de uma anlise de sensibilidade so os seguintes (Dehlendorff, 2010):
Os mtodos que so utilizados para proceder anlise de sensibilidade, so por exemplo (Dehlendorff,
2010):
Neste tipo de anlise podem usar-se vrias formas para se proceder a uma anlise. Depois de estarem
completamente definidos os parmetros que queremos que surjam no nosso modelo de estudo,
necessrio, consoante a situao, variar ou no esses parmetros com ajuda de regresses, grficos e
at mesmo tabelas, e analisar qual a melhor opo a ser tomada (Murteira, 2007).
Uma anlise what if uma outra forma de analisar um determinado problema e as solues
apresentadas consoante a mudana de certos parmetros. No fundo uma anlise de sensibilidade,
porm como o prprio nome indica what if, e se, ou seja, analisando um problema com
determinadas caractersticas e factores. A anlise do problema pode ser condicionada se formos
modificando certos parmetros, e isso pode influenciar em tudo a deciso final do problema.
Ou seja, temos um cenrio base de um determinado problema. Esse cenrio base tem um conjunto de
parmetros limitados a um conjunto de configuraes possveis. Este mtodo muito usado para
quando temos um determinado cenrio e que tem poucas alternativas de comparao.
20
What if uma tcnica de anlise geral, qualitativa e de aplicao muito simples e razoavelmente til
para uma primeira abordagem. Este tipo de anlise utilizada para se poder encontrar o maior nmero
de riscos, numa fase inicial do processo, durante o projecto e numa fase mais avanada properacional.
Muitas vezes, os parmetros de um modelo de programao linear so apenas estimativas de
quantidades que no podem ser determinados com preciso na altura em que se desenvolve o modelo.
Uma anlise what if permite identificar at que ponto as estimativas devem ser precisas para se
evitar obter uma soluo ptima errada, ou seja, permite identificar quais os parmetros sensveis para
os quais se requer um cuidado particular na realizao das estimativas.
Se as condies presentes quando se desenvolveu o modelo se alterarem aps a sua implementao, a
anlise de sensibilidade permite saber (sem voltar a resolver o modelo) se essas alteraes significam
uma mudana na soluo ptima. Quando alguns parmetros do modelo representam decises, a
anlise de sensibilidade uma ajuda importante acerca do impacto de alteraes de poltica sobre o
problema (Dehlendorff, 2010).
Todos os mtodos de anlise esto associados a uma fiabilidade. Uns podem ser mais fiveis do que
outros e por isso que uns se tornam muito melhores que outros, mas tudo depende tambm da
situao a ser tratada no problema em questo. Ou seja, para cada situao existe um mtodo mais
adequado.
A robustez dos mtodos reflecte-se no facto de estes permitiram efectuar uma melhor anlise da
situao em estudo. Ou seja, numa anlise deveremos ter em conta as variveis que podemos, e no
podemos, controlar, o tipo de modelo e por conseguinte verificar que existem variveis ambientais de
forma a definirmos o modelo do problema. O objectivo ser encontrar uma definio para as variveis
controlveis de modo a que a soluo encontrada seja ptima e robusta, e caso haja mudanas em
factores incontrolveis esta no se altere de forma brusca.
Este processo de anlise da robustez dos mtodos deve ser muito bem delineado experimentalmente.
Ou seja, deve ser realizado um modelo de clculo de variveis no qual temos o controlo das mesmas.
Para que depois seja possvel cruzar com um outro modelo em que as variveis no esto ao alcance
de serem controladas. Os mtodos de anlise devem ter dois tipos de factores de interaco entre eles.
O resultado desejado deve conter uma interaco significativa entre as variveis controladas e as
variveis no controladas (Dehlendorff, 2010).
21
1
I2 = , 2 1, , . 3
Uma distribuio uniforme uma distribuio em que a funo de probabilidade dada por:
Este tipo de distribuio caracteriza as variveis em que existe um conjunto numervel finito de
valores possveis e cada um desses valores tem igual probabilidade de ocorrer.
ocorrer De uma forma mais
abreviada escreve-se
se da seguinte forma, quando a varivel X segue uma distribuio uniforme de
parmetro n. (Oliveira, 2006)
~ L
1
2 M N ,
I2
0 ,
4 2 O 2 P
4R
22
A Distribuio Normal ou Gaussiana uma das distribuies estatsticas mais importantes. Esta
distribuio tem caractersticas interessantes, normalmente ela serve de aproximao no clculo de
outras distribuies quando o tamanho da amostra se torna relativamente grande. Esta propriedade
advm do Teorema
eorema do Limite Central que por definio diz o seguinte, toda
soma de variveis
aleatrias independentes de mdia finita e varincia limitada aproximadamente Normal, desde que o
nmero de termos da soma
oma seja suficientemente grande (Murteira, 2007).
Esta
ta distribuio muito caracterstica da maior parte das variveis que so estudadas normalmente.
Geralmente a distribuio normal aparece quando estudamos situaes em que a varivel de estudo
resultado de uma amostra
ostra de factores independentes (Oliveira, 2006).
A funo densidade de uma varivel com distribuio normal dada pela seguinte expresso:
I2 =
2 X
Ye
xN2
N
22
6
Trata-se
se de uma distribuio com dois parmetros, e 2, que representa a mdia da varivel e sua
varincia respectivamente (Oliveira,
(Oliveira 2006):
~7, X
23
S
S2
=^
2 X
Ye
xN2
N
22
2 7
Porm este integral no tem uma soluo analtica exacta, esta expresso tem de ser obtida atravs de
mtodos numricos. Um exemplo de uma funo distribuio de probabilidade:
probabilidade:
N2ln c Y cos2Ge 8
24
A distribuio Weibull tem o nome do seu autor Waloddi Weibull. uma distribuio de
probabilidade contnua, muito utilizada para estudos relacionados com o tempo de vida de
equipamentos e estimativa de falhas. bastante similar a outras distribuies nomeadamente a
distribuio normal e exponencial.
g 2 i# #jkm
9
h h
25
2.6. RESULTADOS
Os resultados analisados consistem numa anlise de comparao entre duas formas de indicadores
estatsticos. Por um lado temos a mdia e intervalo de confiana e no outro, os percentis de 10%, 90%
e a mediana. A partir dos resultados obtidos foram calculados estes parmetros como 2 grupos de
anlise. Para tal necessrio ter alguns conhecimentos bsicos de estatstica descritiva que a seguir se
descrevem.
2.6.1. ANLISE DESCRITIVA
2
/ + 2
/
2
_
12
Caso contrrio, ou seja, se a amostra for impar, a mediana toma o valor da amostra que ocupa a
posio central:
pq = 2
_/ 13
26
importante analisar os valores extremos tomados na amostra, pois permite-nos verificar a existncia
de valores excepcionais.
Normalmente so verificados quais os valores mximos e mnimos da amostra, porm tambm
importante obter quais os cinco maiores e menores valores da amostra. Esta anlise possibilita a
compreenso dos resultados, concluindo pela sua proximidade ou disparidade.
Os quantis, que onde esto includos os percentis, os decis e os quartis, so medidas de localizao
que consistem na diviso de uma amostra em duas partes, uma igual ou inferior e outra igual ou
superior ao quantil pretendido, [0-100%].
Os quantis mais frequentes para anlises de amostras so os de 25% (Q1), de 50% que equivalente
mediana e 75% (Q3). Estes quartis permitem uma anlise mais especfica do conjunto amostral.
A varincia, que por sua vez dada pelo quociente entre a soma dos quadrados dos desvios de cada
valor observado em relao mdia da amostra e relativamente ao tamanho da amostra.
1
sj = t u2 2 14
v
O desvio padro sempre positivo e quanto maior for a disperso da amostra, maior o valor do
desvio padro. Quando o valor do desvio padro apresenta valor nulo, significa que todas as
observaes so iguais e conclui-se que no existe variabilidade (Murteira, 2007).
27
Quando a varincia, 2, desconhecida, a varivel definida como sendo a principal deixa de o ser,
porque para alm da mdia, , depende do desvio padro, que tambm desconhecido. O intervalo
de confiana para a mdia, , tendo em conta as propriedades da distribuio Normal pode ser
calculado da seguinte forma (Murteira, 2007):
w =
x :
~ w 1, 15
sz
28
No artigo, Mtodo de Monte Carlo em simulaes trmicas de edifcios - A Monte Carlo method
for thermal building simulation, foi usado o mtodo de Monte Carlo para se encontrar uma
aproximao da distribuio de temperaturas de um edifcio. Estas tcnicas de simulao so
demasiadamente simplificadas e ao utilizarmos um mtodo determinstico podemos concluir que os
modelos podero ser complexos e estocsticos. Um novo mtodo que pode ser usado baseia-se no
mtodo de Monte Carlo para encontrar distribuio de entrada tpica, usado em conjunto com um
modelo determinstico de construes tradicionais de simulao trmica. A distribuio de sada
calculada atravs de uma amostra devidamente seleccionada de distribuio de entrada.
Usando a radiao e entrada de dados da temperatura para se realizarem simulaes tero de ser
simulados em separado e ento o efeito em conjunto encontrado atravs de uma convoluo
numrica integral. Esta convoluo integral apenas vlida para variveis independentes entre si,
sendo apresentado um estudo de verificao para vrios edifcios e um conjunto de diferentes
renovaes de ar. Completada esta verificao experimental do mtodo, temos de verificar a medio
da distribuio de temperaturas dentro de 5 anos, para 5 diferentes taxas de renovao de ar para o
mesmo nmero de edifcios.
Se os parmetros forem considerados separadamente, os resultados so tambm aceitveis. O mtodo
muito prtico e de fcil compreenso, podendo ser usado em conjunto com qualquer mtodo
determinstico e ainda pode incluir mais variveis. Tendo que para isso definir a distribuio estatstica
da varivel de entrada. Ento, atravs de uma verificao por comparao dos resultados obtidos com
o novo mtodo e os resultados globais obtidos depois de ser realizarem as simulaes de todos os dias
para os mesmos perodos e dados climticos. Obtidos os resultados que demonstram um erro mdio
previsto para a temperatura de 0,68 C e um desvio padro de 1.37 C, pode concluir-se que o novo
mtodo de Monte Carlo uma boa aproximao (Haarhof e Mathews, 2006).
29
30
31
No seguinte artigo foi estudado e demonstrado o potencial que a eficincia energtica trouxe
construo civil. Segundo os seus autores existe um grande potencial de poupana e poucas solues
baseadas no mercado de eficincia energtica. Considerando que h falhas no mercado residencial,
mesmo com melhoria da eficincia no existe qualquer tipo de poupana.
O estudo pretende construir um modelo para extrair lucros atravs da economia da energia no
recuperveis por uma empresa de energia residencial baseados no mercado de servios. Para tal, foi
usado uma simulao de Monte Carlo do custo e desempenho para vrias melhorias em conjunto com
um modelo hipottico para obtermos informaes gerais de viabilidade financeira dessas empresas
(Soratana, Marriott, 2009).
Figura 32 - Percentagem de energia economizada pelos diferentes aparelhos, do total de energia consumida
atravs da simulao do modelo.
32
33
No artigo, Anlise de incertezas na simulao de construo com tcnicas de Monte Carlo Uncertainty analysis in building simulation with Monte Carlo techniques, as simulaes
computacionais de edifcios so hoje em dia muito utilizadas para podermos prever o desempenho dos
edifcios e os efeitos provocados por mudanas no projecto. O efeito sobre as previses geradas por
incertezas nos dados de entrada raramente avaliado. Contudo, se se quantificar o desempenho do
edifcio simulado, este pode ser descrito com uma variada gama de possibilidades, dada a incerteza
inerente aos dados de entrada
Este estudo pretende ir mais alm, avaliando o efeito da incerteza do modelo inicial e do modelo para
alterao do projecto. Depois de serem criados os modelos, so analisados atravs de testes estatsticos
para se poder a quantificar a importncia de mudana no desempenho dos edifcios, ou seja, a
mudana do projecto produziu uma diferena real no desempenho dos edifcios, ou ser que a
mudana do desempenho fica perdida na faixa dos erros previstos. Neste estudo, o mtodo de
quantificar o efeito global de incertezas sobre as previses e como analisar e diferenciar uma mudana
significativa ou insignificativa. So aplicados ento em dois modelos para se exemplificar a
importncia de se quantificar o efeito das incertezas (Burhenne e Jacob, 2009).
34
3
ESTUDO DE CASO
3.2.1. INTRODUO
O edifcio em estudo pertence a uma escola localizada na freguesia de Gueifes, concelho da Maia
inaugurada em 1982 com o nome de Escola Preparatria da Maia, frequentada por 218 alunos e um
corpo docente de 22 professores e 14 funcionrios. No ano seguinte, em 1983, a escola frequentada
por 523 alunos e a sua designao alterada para Escola Preparatria de Gueifes.
Mais tarde, com a entrada em vigor da portaria 497/85, a escola passa a designar-se Escola C+S de
Gueifes. De forma a proporcionar melhores condies aos alunos submetida a obras de
melhoramento, estando estas obras terminadas em 1986, comportando assim um total de 750 alunos
distribudos do 5 ao 8 anos.
Mais tarde, e como consequncia do aumento da escolaridade obrigatria at ao 9 ano, a escola
atingiu a sua capacidade mxima tendo de sofrer novamente obras de melhoramento e ampliao.
J em 2001, a escola volta a sofrer uma alterao de nome passando assim a Escola Bsica 2,3 de
Gueifes. Actualmente, a escola tem em mdia 800 alunos a frequentar as suas instalaes.
35
O edifcio em estudo o bloco assinalado na figura 33. um bloco um pouco mais pequeno mas
representa perfeitamente a constituio do resto dos edifcios da escola, pois todos tm o mesmo tipo
de construo e utilizao. O bloco tem uma capacidade de cerca de 50 alunos divididos por 2 salas.
Como j foi referido anteriormente, a escola localiza-se em Gueifes, concelho da Maia, na regio do
Porto.
O clima nesta regio temperado, tpico de Portugal continental. Durante a estao de aquecimento as
temperaturas em geral no descem abaixo dos 0 C, e no Vero raramente ficam acima dos 30 C.
(Santos, 2010)
36
Inicio
Fim
10 -15 de Setembro
18 de Dezembro
4 de Janeiro
26 de Maro
12 de Abril
8 - 18 de Junho
Interrupes
Datas
19 de Dezembro a 3 de Janeiro
15 a 17 de Fevereiro
27 de Maro a 11 de Abril
A planta apresentada na figura 34, ilustra o bloco de salas de aula que vamos ter como objecto de
estudo. Embora o edifcio seja constitudo por 2 salas, como tm igual comportamento trmico
funcionam apenas como uma zona trmica.
Apesar de o edifcio no estar orientado exactamente a Norte, consideramos esta orientao de forma a
simplificar a formulao do caso de estudo.
As paredes, pavimento e tecto so constitudas por beto vista, excepto a parede da fachada principal
que contm tijolo macio e beto pintado como podemos verificar na figura 35.
37
Como se sabe, os vos envidraados tm uma parcela muito importante no comportamento trmico
dos edifcios. No edifcio da escola em estudo, o vo de envidraados correspondem a 35% da rea da
fachada e a fachada com maior nmero de envidraados a fachada orientada a Oeste, (Figura 36).
Dos vos envidraados, desconhecem-se as suas caractersticas. Apenas dispomos das caractersticas
da caixilharia que de alumnio e o vidro simples. Tambm foi possvel verificar quem em cima da
laje de cobertura foram colocadas placas de fibrocimento que impede a aco directa da radiao solar
na laje de cobertura.
Sabe-se que o consumo de energia em edifcios no depende apenas da envolvente e das condies
ambientais. Alem destes factores e no caso especfico de uma escola, os ganhos internos tambm so
afectados pelo nmero de ocupantes e a iluminao existente nas salas de aulas (Santos, 2010).
38
Para podermos calcular os ganhos internos transmitidos pelos alunos, necessrio perceber qual a
intensidade da actividade desenvolvida pelos mesmos, a fim de se verificar se existe mais ou menos
transmisso de calor ao ambiente.
Para redefinir o tipo de actividade desenvolvida na sala de aula, foi necessrio consultar a norma ISO
7730, (Sua, 2005), no anexo B encontramos um quadro onde podemos verificar taxas de
metabolismo para diferentes actividades. No caso de alunos numa sala, em que temos um tipo de
actividade praticamente sedentria, a taxa metablica de 70 W/m2, o que em termos de potncia
igual a 126 Watt por pessoa. Relativamente iluminao, podemos concluir que a potncia pode
variar entre 10 e 20 W/m2 aproximadamente, e para efeitos de clculo considerou-se uma potncia de
15 W/m2 (Santos, 2010).
3.2.6. RENOVAO DE AR
39
40
4
APLICAO DO MTODO DE
MONTE CARLO AO CASO DE
ESTUDO
41
4.2. DADOS
4.2.1. VENTILAO
Modelo de Clculo:
=
0,077
= 0,294
0,262
Assim para o caso em estudo teremos uma renovao horria mdia de 2,2 e um desvio padro de
0,650. Estes parmetros sero usados na gerao da amostra pretendida, supondo que a renovao
horria segue uma distribuio normal.
42
Na Figura 37 est identificado o campo no programa EnergyPlus que nos permite modificar as
renovaes horrias de ar dentro das salas de aula.
importante referir que a ventilao nocturna simulada no edifcio em funo da ventilao que
simulada durante o perodo diurno num factor de reduo de 0,6.
4.2.2. PESSOAS
O nmero de pessoas varivel ao longo do dia, uma vez que existem perodos em que a sala pode
estar mais ou menos cheia, devido a situaes que so alheias a este estudo, como por exemplo o
docente no comparecer, comparecerem mais ou menos alunos, etc.
No programa EnergyPlus foi necessrio proceder alterao de um campo como mostra a Figura 38:
43
Assim, consideramos que o nmero de pessoas (ocupantes do edifcio escolar), tem a distribuio
representada na Figura 39:
4.2.3. OCUPAO
O edifcio, como j referido anteriormente, pertence a uma escola, e por isso a sua ocupao sazonal
e com perodos do dia em que se encontra com uma menor ou maior afluncia de alunos. Com base
nesta informao, temos de ter ateno ao facto de existirem horrios fixos de entrada e sada de
alunos, funcionrios e docentes que condicionam as temperaturas interiores das salas de aulas.
Numa sala de aula, os alunos e docentes tm uma parte importante na contribuio dos ganhos
internos. Contudo, a iluminao e os aparelhos eventualmente existentes tambm tero influncia na
temperatura interior do edifcio. A Figura 40 apresenta os campos no qual a iluminao e os
equipamentos podem ser contabilizados.
44
Neste contexto, foi necessrio programar no EnergyPlus os horrios de ocupao do edifcio, assim
como definir os dias em que existem frias, interrupes e feriados. No programa foi ainda criado um
grupo com o objectivo de se indicarem os diferentes parmetros, como se pode verificar na Figura 41:
4.3. AMOSTRAGEM
4.3.1. MTODO CONGRUENCIAL MULTIPLICATIVO
45
Para procedermos ao clculo da amostra propriamente dito, tero de ser analisados os parmetros b e c
de modo a cumprirem os critrios anteriormente referidos, para que o tamanho da amostra seja
razovel e para que o perodo de amostragem seja suficientemente grande, com o objectivo
o
que o ciclo
no se repita.
Ao gerar uma amostra atravs de um computador importante referir que esta ser necessariamente
determinstica ou seja pseudo--aleatria (Simes, 2010).
Existem, como em quase todos os problemas deste tipo, alguns problemas
problemas na gerao de amostras
aleatrias. Isto porque, se no forem bem definidos os parmetros corremos o risco de estas no serem
bem calculadas e teremos alguns problemas como por exemplo:
Para que este seja um mtodo com coerncia e de forma a evitar os problemas em cima enunciados
deve obedecer s seguintes condies:
Rapidez.
Portabilidade.
Ciclo longo.
Reprodutibilidade.
Uniformidade e independncia.
De referir,, por fim que a escolha dos parmetros a, c, m e X0 pode influenciar muito as propriedades
estatsticas e o comprimento do ciclo.
46
a = 2,5
c=7
m = 100
X0 =30
Com a escolha destes parmetros pudemos obter a amostra de nmeros aleatrios seguindo a
distribuio Normal de mdia e desvio padro apresentados nos Quadros 4 e 5.
Quadro 4- Gerao de nmeros aleatrios seguindo uma distribuio Normal de =2,2 e =0,65.
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
82,0
12,0
37,0
99,5
55,8
46,4
22,9
64,3
67,9
76,6
98,6
53,6
40,9
9,2
30,0
82,0
12,1
37,2
99,9
56,9
49,2
29,9
81,9
11,6
36,1
0,82
0,12
0,37
1,00
0,56
0,46
0,23
0,64
0,68
0,77
0,99
0,54
0,41
0,09
0,30
0,82
0,12
0,37
1,00
0,57
0,49
0,30
0,82
0,12
0,36
2,7918
1,4403
1,9854
3,8654
2,2935
2,1412
1,7210
2,4377
2,4999
2,6703
3,6245
2,2577
2,0509
1,3412
1,8612
2,7926
1,4426
1,9885
4,3212
2,3119
2,1867
1,8598
2,7882
1,4283
1,9696
97,2
50,0
32,0
87,0
24,4
68,0
76,9
99,3
55,2
45,1
19,7
56,2
47,6
26,0
72,0
86,9
24,4
67,9
76,7
98,9
54,1
42,3
12,8
39,0
4,5
0,97
0,50
0,32
0,87
0,24
0,68
0,77
0,99
0,55
0,45
0,20
0,56
0,48
0,26
0,72
0,87
0,24
0,68
0,77
0,99
0,54
0,42
0,13
0,39
0,04
3,4353
2,1999
1,8973
2,9269
1,7513
2,5018
2,6759
3,7863
2,2850
2,1200
1,6488
2,3015
2,1610
1,7839
2,5764
2,9266
1,7508
2,5005
2,6722
3,6701
2,2670
2,0747
1,4654
2,0192
1,1016
47
Quadro 5- Gerao de nmeros aleatrios seguindo uma distribuio Normal de =2,2 e =0,65 (continuao).
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
18,2
52,4
38,1
2,2
12,4
38,0
1,9
11,7
36,3
97,7
51,2
34,9
94,2
42,5
13,2
40,0
7,1
24,7
68,7
78,8
4,1
17,2
50,0
32,1
87,2
0,18
0,52
0,38
0,02
0,12
0,38
0,02
0,12
0,36
0,98
0,51
0,35
0,94
0,42
0,13
0,40
0,07
0,25
0,69
0,79
0,04
0,17
0,50
0,32
0,87
1,6123
2,2393
2,0035
0,8918
1,4525
2,0017
0,8560
1,4307
1,9728
3,4855
2,2187
1,9487
3,2159
2,0775
1,4782
2,0367
1,2495
1,7576
2,5157
2,7177
1,0744
1,5885
2,2005
1,8990
2,9344
Xi+1
Distribuio
Uniforme
[0;1]
Distribuio
Normal
[2,2;0,65]
25,0
69,5
80,7
8,8
28,9
79,4
5,4
20,4
58,1
52,2
37,6
1,0
9,6
30,9
84,2
17,5
50,7
33,8
91,5
35,7
96,3
47,7
26,2
72,6
88,4
0,25
0,69
0,81
0,09
0,29
0,79
0,05
0,20
0,58
0,52
0,38
0,01
0,10
0,31
0,84
0,17
0,51
0,34
0,91
0,36
0,96
0,48
0,26
0,73
0,88
1,7638
2,5295
2,7607
1,3241
1,8411
2,7293
1,1594
1,6659
2,3321
2,2364
1,9958
0,7008
1,3546
1,8772
2,8482
1,5954
2,2116
1,9297
3,0866
1,9632
3,3533
2,1626
1,7886
2,5879
2,9741
Na sequncia deste mtodo, foi obtida uma amostra de valores de dimenso razovel, que nos
permitir efectuar um nmero de simulaes necessrias. Estes valores representam a ventilao de ar
no edifcio e a coluna usada para realizarmos as simulaes a da distribuio normal.
Os valores obtidos foram introduzidos no programa EnergyPlus, tal como foi indicado na Figura 34
deste captulo, no campo Air changes per hour. No qual possvel, quando termina cada simulao
obtermos uma folha de Excel, com os resultados as temperaturas interiores em cada parede do edifcio
escolar.
48
4.4. SIMULAES
4.4.1. SIMULAES REALIZADAS PARA A AMOSTRA ALEATRIA.
Para obteno dos resultados apresentados a Figura 43 foram escolhidos trs percentis para representar
a amostra das temperaturas interiores, o percentil de 10%, a mediana e o percentil de 90%.Como se
pode ver na figura, as linhas dos percentis 10% e 90% tm entre si uma representao de 80% da
amostra, por isso se encontram de certa forma mais afastadas. Contudo existem dias em que se pode
ver uma aproximao e/ou afastamento no em simultneo dos percentis relativamente mediana.
Assim, as temperaturas interiores caracteristicamente tomaro valores entre estes dois percentis.
Numa outra anlise foi calculado o intervalo de confiana para a temperatura mdia diria com um
grau de confiana de 95%. Pela Figura 44, pode-se verificar que a amplitude do intervalo de confiana
muito pequena. O verdadeiro valor da temperatura interior diria estar entre os limites superior e
inferior do intervalo com 95% de confiana. Nestes termos, ser muito pouco provvel que existam
temperaturas que fiquem acima ou abaixo do intervalo de confiana, a no ser que exista algum
fenmeno meteorolgico que no possvel prever, o que poderia conduzir obteno de
temperaturas abaixo ou a cima destes valores. O facto de se manter fixo o nmero de ocupantes
tambm condiciona a evoluo da temperatura interior.
49
Figura 44 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, durante o ms de
Janeiro.
O dia mais frio do ms de Janeiro o dia 3 porm nesse dia no havia ocupantes no edifcio escolar
devido primeira interrupo (frias de Natal), logo foi considerado o dia seguinte, o dia 4, para um
estudo particular do comportamento trmico dirio do edifcio escolar. Como se pode constatar na
Figura 45, as temperaturas interiores representadas pelos percentis encontram-se muito prximas
durante os perodos em que o edifcio se encontra desocupado, ou seja durante a noite e no horrio de
almoo. Nesses perodos verifica-se pouca variabilidade nas temperaturas interiores. Isto deve-se ao
facto de nestes perodos no existirem aulas, ou seja, a sala est vazia ao longo do perodo de aulas, as
50
linhas dos percentis afastam-se da mediana tornando o intervalo entre as linhas um pouco maior que
nos restantes perodos, ou seja, a variabilidade muito maior quando existe ocupao no edifcio
escolar.
Figura 46 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de
Janeiro.
Analisando a Figura 46, pode dizer-se que a amplitude do intervalo de confiana pequena. A
amplitude do intervalo de confiana depende do desvio padro, se este valor for pequeno, a amplitude
do intervalo de confiana ser mais pequena. Por isso que o intervalo de confiana praticamente se
confunde com a mdia.
51
Foi tambm verificado o comportamento da temperatura interior no dia mais quente para o ms de
Janeiro. Na Figura 47 representada a mesma situao que na figura anterior mas com outros
parmetros em anlise, a mediana e os percentis 10% e 90%. Neste caso, mais evidente o
afastamento entre os percentis 10% e 90% relativamente mediana. Comparativamente com a Figura
46, existe uma maior variabilidade nas temperaturas interiores neste dia do que no dia 4 de Janeiro,
mesmo nos perodos em que o edifcio estava desocupado.
Figura 48 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 26 de
Janeiro.
Como se pode ver na Figura 48, o comportamento das temperaturas mdias interiores no dia 26 de
Janeiro praticamente idntico ao do dia 4 (Figura 46), apesar de as temperaturas serem mais elevadas
constata-se que a amplitude do intervalo de confiana um pouco maior. Ou seja, durante os perodos
de ocupao da sala existe uma maior variao das temperaturas. Porm, o nvel de confiana fixado
foi o mesmo em ambas as situaes.
Isto acontece porque se esto analisar grandezas estatsticas diferentes. Num dos casos trata-se de
inferncia estatstica (Figuras 46 e 48), e no outro caso trata-se de anlise descritiva (Figuras 45 e 47).
Como foi referido anteriormente, foi tambm analisado o ms de Maio, pois este ms bastante mais
quente que o ms de Janeiro. importante tentar perceber como que o edifcio se comporta numa
situao em que as condies exteriores so consideravelmente diferentes daquela da analisada
anteriormente.
Comparativamente com o ms de Janeiro, a amplitude de temperaturas no ms de Maio assume outras
propores, pois as temperaturas exteriores neste ms j so mais elevadas do que durante o ms de
Janeiro. No entanto, curioso notar que a variao das temperaturas interiores ao longo do ms de
Maio (Figuras 49 e 50) semelhante variao verificada durante o ms de Janeiro (Figuras 43 e 44).
Apesar disso, em alguns dias durante o ms de Maio, a variao das temperaturas interiores seja mais
acentuada comparativamente ao ms de Janeiro.
52
Figura 50 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o ms de
Maio.
53
Na Figura 51 e 52 esto representadas as temperaturas interiores para o dia em que a temperatura foi
mais baixa neste ms, dia 5 de Maio.
Figura 51 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio.
Na Figura 51, pode-se verificar um maior afastamento dos percentis 10 e 90% das temperaturas
interiores registadas no dia 5 de Maio comparativamente aos dias anteriormente analisados. Facto que
tambm visvel nos intervalos de confiana (Figura 52), a amplitude dos intervalos de confiana para
as temperaturas mdias horrias registadas no dia 5 de Maio maior do que nos outros dias analisados.
Figura 52 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 5 de Maio.
54
Figura 53 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 24 de Maio.
Nas Figuras 53 e 54, verifica-se bastante similitude com as Figuras 51 e 52, respectivamente. Os
intervalos de confiana, a 95% de confiana, tm uma amplitude igual 10-2. A diferena entre os
percentis 10% e 90% aproximadamente igual a 10-1.
Figura 54 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no dia 24
de Maio.
55
Neste subcaptulo apresentam-se as simulaes realizadas para uma ventilao mdia de 2,2
renovaes por hora e variao do nmero de ocupantes dentro da sala, segundo a distribuio dos
ocupantes descrita anteriormente (Figura 41).
Neste caso, no foram apresentados os grficos que representam as temperaturas mdias e respectivos
intervalos de confiana para um nvel de confiana de 95%, respectivamente do ms de Janeiro,
porque estes grficos so semelhantes aos apresentados nas Figuras 43 e 44.
Figura 55 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro durante o
perodo de ocupao.
56
Este facto ocorre, porque foi fixada a ventilao do edifcio no valor de 2,2 renovaes horrias e
variado apenas o nmero de ocupantes. Esta variao muito pequena, o que se reflecte no desvio
padro das temperaturas muito reduzido ou praticamente nulo, o que resulta num intervalo de
confiana de amplitude nula.
Os seguintes grficos, Figuras 57 e 58, apresentam as temperaturas interiores registadas das 11h s
15h, de forma a ser possvel caracterizar mais pormenorizadamente o comportamento da temperatura
interior.
Figura 57 Caracterizao da amostra das temperaturas horrias registadas no dia 4 de Janeiro no perodo das
[11-15] horas.
57
Na Figura 57 verifica-se que a temperatura interior mediana est mais prxima do percentil 90% do
que do percentil 10%, enquanto a sala est ocupada. Quando o edifcio se encontra sem ocupantes a
tendncia da temperatura interior descer.
Neste perodo, verificou-se que a temperatura mediana fica mais prxima do percentil 10 % durante a
descida at que quando a sala volta a estar novamente ocupada a mediana volta a ficar mais prxima
do percentil 90%.
Figura 58 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de Janeiro
no perodo das [11-15] horas.
58
Figura 59 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 26 de Janeiro no
perodo das [11-15] horas.
Na Figura 60, pode-se verificar que tal como no dia 4 de Janeiro, a variao das temperaturas
interiores maior na presena de ocupantes dentro do edifcio escolar. A disperso da temperatura
entre as 11 e as 15 horas da ordem de grandeza de 10-1.
Figura 60 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 26 de
Janeiro no perodo das [11-15] horas.
59
respectivamente os dias 5 e 24 de Maio. curioso notar que a variao das temperaturas muito
maior no ms de Janeiro do que no ms de Maio. importante referir que o ms de Janeiro afectado
pelo perodo de frias do Natal, ou seja, o edifcio encontra-se pelo menos duas semanas
completamente desocupado. Isto condiciona de certa forma o comportamento inicial do edifcio
comparativamente com o ms de Maio.
Figura 61 Caracterizao da amostra das temperaturas horrias registadas no dia 5 de Maio no perodo de
ocupao.
A Figura 61 representa a caracterizao das temperaturas mdias horrias do dia 5 de Maio durante o
perodo de ocupao. Como se pode ver, a variao das temperaturas interiores muito pequena
comparativamente com o dia 4 de Janeiro. Percebe-se tambm que a temperatura interior no horrio de
almoo permanece praticamente constante, ao contrrio do que aconteceria no dia 4 de Janeiro. Isto
deve-se ao facto da diferena entre as temperaturas interior e exterior ser bastante menor que no ms
de Maio.
A Figura 62 representa os intervalos de confiana das temperaturas mdias horrias do dia 5 de Maio
para um nvel de confiana de 95%. Apesar de na figura no ser perceptvel, a amplitude do intervalo
de confiana um pouco maior do que o verificado para o dia 4 de Janeiro. Neste caso, o desvio
padro j no da ordem de grandeza 10-14 mas sim na ordem de grandeza 10-2. Comparativamente
com o ms de Janeiro, no ms de Maio o valor do desvio padro relativamente maior, logo o
intervalo de confiana ainda que seja pequeno j no zero.
60
Figura 62 Intervalos de Confiana das temperaturas mdias horrias interiores, a 95% de confiana, no dia 5
de Maio.
Figura 63 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 5 de Maio no
perodo das [11-15] horas.
Na Figura 64 esto representados as temperaturas interiores para o mesmo dia que a figura anterior
(Figura 63) mas calculando o intervalo de confiana para temperatura a mdia com 95% de nvel de
61
confiana. Pode verificar-se que o intervalo de confiana relativamente maior que no ms de Janeiro.
A amplitude do intervalo de confiana da temperatura mdia maior durante o perodo de ocupao
do que no horrio de almoo ou durante a noite. Portanto, o facto de o edifcio estar ocupado tem
influncia significativa no clculo do intervalo de confiana.
Figura 64 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 5 de Maio
no perodo das [11-15] horas.
A Figura 65 apresenta a variao das temperaturas interiores para o dia 24 de Maio. Neste dia,
verificou-se igualmente que a variabilidade das temperaturas tambm menor entre o percentil 90% e
a mediana. Nota-se ainda a ausncia da descida da temperatura no horrio de almoo.
Figura 65 Caracterizao da amostra das temperaturas horrias registadas no dia 24 de Maio no perodo das
[11-15] horas.
62
Figura 66 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 24 de Maio
no perodo das [11-15] horas.
Na Figura 66 est representado o intervalo de confiana para as das temperaturas mdias interiores
registadas entre as 11 e 15 horas do dia 24 de Maio. Como se pode verificar a temperatura mdia
interior cresce ao longo do perodo em anlise. Nas figuras anteriormente apresentadas relativas ao
ms de Janeiro verificava-se uma descida da temperatura mdia interior no horrio de almoo. No ms
de Maio isto j no acontece pois as diferenas de temperatura entre o interior e o exterior so cada
vez mais pequenas.
Tambm se pode verificar que existe menor variabilidade da temperatura interior entre o percentil
90% e a mediana pois a sua proximidade grande comparativamente com o percentil de 10%. Foi
necessrio analisar nestes casos um perodo de tempo mais restrito pois em 24h de cada dia era pouco
evidente as distncias entre as medidas estatsticas calculadas.
Relativamente ao clculo do intervalo de confiana verificou-se que a amplitude reduzida. Ou seja, a
estimativa do intervalo de confiana depende do tamanho da amostra, do nvel de confiana e do
desvio padro. A medida que condiciona a amplitude do intervalo de confiana o desvio padro. Se
este for muito pequeno, o intervalo de confiana ser praticamente nulo. Caso contrrio, se existe
grande variabilidade nas temperaturas interiores, o desvio padro ser maior e consequentemente o
intervalo tambm ter uma maior amplitude. Essa diferena pouco evidente, pois como j foi
referido, apenas se variou o nmero de ocupantes, mantendo-se fixa a ventilao. Esta variao
pouco acentuada, logo as diferenas de temperaturas so muito pouco evidentes e em termos de
grandeza numrica so pequenas.
63
Figura 68 - Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana durante o ms de
Janeiro.
64
Na Figura 67 esto representados os percentis 10% e 90% juntamente com a mediana para as
temperaturas mdias interiores e como se pode verificar existe uma grande variabilidade de
temperaturas. Na Figura 68 apresentado o intervalo de confiana para a temperatura interior mdia,
contudo o intervalo tem uma amplitude reduzida e por isso pouco perceptvel.
Na Figura 69 esto representadas as temperaturas interiores obtidas no dia 4 de Janeiro, verifica-se
uma semelhana entre a variabilidade do percentil 10% e a mediana e tambm entre o percentil 90% e
a mediana.
Como se mostra na figura, as temperaturas interiores representadas pelos percentis 10% e 90% so
praticamente paralelas s temperaturas interiores representadas pela mediana. Isto acontece apenas no
perodo em que o edifcio se encontra desocupado. Quando o edifcio escolar se encontra ocupado
pode verificar-se a subida da temperatura. Durante o perodo de ocupao as temperaturas interiores
representadas pelos percentis 10% e 90% tendem a afastar-se da mediana. Ou seja, a variabilidade
aumenta durante o dia e apenas no perodo de ocupao.
Na Figura 70 optou-se por representar apenas a mdias das temperaturas interiores registadas no dia 4
de Janeiro. As diferenas das temperaturas interiores esto na casa das centsimas, o que torna
imperceptvel do ponto de vista grfico o intervalo de confiana.
65
A Figura 71 apresenta o intervalo de confiana da temperatura mdia interior com 95% de confiana
para o dia 4 de Janeiro, mas apenas entre o perodo [11-15] horas. Deste modo pode-se confirmar que
realmente o intervalo de confiana muito pequeno.
Figura 71 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 4 de Janeiro
no perodo das [11-15] horas.
66
Figura 72 Caracterizao da amostra das temperaturas mdias horrias registadas no dia 16 de Janeiro.
A Figura 72, apresenta a caracterizao das temperaturas mdias interiores para o dia 16 de Janeiro.
Contrariamente s simulaes anteriores, nesta anlise o dia com a temperatura interior mais elevada
no do dia 26 de Janeiro. Neste dia existem algumas diferenas significativas relativamente ao dia 4
de Janeiro.
Comparativamente com a Figura 69, as semelhanas incidem no paralelismo entre as curvas que
representam as temperaturas interiores durante o perodo de ocupao e ainda no afastamento
progressivo dos percentis 10% e 90% relativamente mediana medida que as temperaturas sobem. A
diferena entre estas duas figuras reside na suave descida da temperatura no horrio de almoo.
Optou-se por no se apresentar para o dia 16 de Janeiro o intervalo de confiana tendo em conta que a
amplitude do intervalo muito pequena e seria pouco perceptvel. Contudo na Figura 73 apresentado
o intervalo de confiana da temperatura mdia para o dia 16 de Janeiro, mas para um perodo de tempo
mais pequeno. Como se pode verificar ainda assim o intervalo de confiana tem uma amplitude
reduzida.
67
Figura 73 Intervalos de Confiana das temperaturas mdias interiores, a 95% de confiana, no dia 16 de
Janeiro no perodo das [11-15] horas.
68
Na Figura 75 pode ver-se representado o comportamento das temperaturas interiores no dia 5 de Maio
e a caracterizao das temperaturas mdias interiores. Comparativamente com as simulaes
realizadas anteriormente, este caso muito semelhante ao primeiro grupo de simulaes efectuadas.
Existe uma variabilidade de temperaturas interiores praticamente simtrica relativamente mediana. A
diferena entre a mdia e a mediana da ordem 10-2, ou seja so muito prximas.
Figura 76 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias registadas no dia
5 de Maio.
Como se pode verificar na Figura 76, as diferenas entre a mdia e a mediana so praticamente nulas.
Este facto leva a crer que neste dia a distribuio da temperatura interior segue uma distribuio
Normal.
69
Na Figura 77 est representado o dia 24 de Maio e a caracterizao das temperaturas mdias interiores.
Em relao ao dia 5 de Maio verificou-se que a distncia entre os percentis e a mediana fica mais
pequena, contudo assemelha-se o facto de as distncias dos percentis mediana serem praticamente
iguais e simtricas.
Figura 78 Comparao das medidas estatsticas, mdia e mediana das temperaturas horrias registadas no dia
24 de Maio.
70
Na Figura 78 pode verificar-se a proximidade entre as temperaturas mdias e medianas. Tal como na
Figura 75, a mdia e a mediana encontram-se muito prximas, permitindo constatar que a temperatura
interior segue uma distribuio Normal.
71
72
73
74
5
CONCLUSES
O mtodo de Monte Carlo um mtodo relativamente simples de ser aplicado. Com este
trabalho torna-se evidente que a sua aplicao pode ser efectuada a modelos que estejam
sujeitos a regimes dinmicos.
A gerao de nmeros aleatrios permite criar uma amostra de valores para um determinado
parmetro e com essa amostra possvel estudar o comportamento da varivel de interesse
perante fenmenos estocsticos.
75
76
O clculo do intervalo de confiana com um nvel de confiana de 95% permitiu perceber que
atravs da grandeza do desvio padro, que quanto menor for a variao dos parmetros de
interesse, menor ser este valor e consequentemente a amplitude do intervalo de confiana
ser mais pequena.
No segundo grupo de simulaes quando foi fixado o valor da ventilao e apenas se fez
variar o nmero de ocupantes, pde-se concluir que existem alguns perodos em que a
distribuio das temperaturas interiores sofre um ligeiro deslocamento para a direita, e assim
temos uma assimetria esquerda.
No segundo grupo de simulaes o intervalo de confiana tem uma amplitude nula, o desvio
padro da temperatura interior da ordem de 10-14. A variao das temperaturas interiores
muito reduzida pois apenas se fez variar o nmero de ocupantes e a ventilao manteve-se
fixa. O que no introduziu uma variao minimamente significativa nas temperaturas
interiores.
Uso de uma distribuio estatstica que melhor se adapte situao apresentada, como por
exemplo a distribuio Weibull.
Identificar qual a distribuio que as temperaturas interiores seguem e os seus respectivos
parmetros
Variao mais acentuada do nmero de ocupantes.
Criao de um modelo especfico para a gerao de nmeros aleatrios relacionados com o
comportamento higrotrmico dos edifcios, para que descreva o comportamento higrotrmico
do edifcio, das temperaturas interiores em funo da distribuio da ventilao e do nmero
de ocupantes.
77
78
BIBLIOGRAFIA
Burhenne, S.,Jacob, D., Henze, G. P. (2009). Uncertainty analysis in Building Simulation with Monte
Carlo Techniques. SimBuild, 2010, pp. 419-426.
Castro, E., Lopes, A. (2010). O Conforto Trmico Urbano e o Ordenamento do Territrio na cidade
da Guarda: utilizao dos sistemas de informao. Pluris,2010.
Decreto de lei n 79-2006, (2006). Regulamento dos Sistemas Energticos de Climatizao em
Edifcio, Dirio da Repblica 1. srie - A, 4 de Abril de 2006.
Dehlendorff, C. (2010). Monte Carlo Analysis. DTU Informatics, Techinal University of Denmark.,
Denmark.
Frbringer, J.-M., Roulet, C.A. (1995).Comparison and Combination of factorial and Monte-Carlo
design in Sensitivity Analysis. Building and Environment, 1995, pp. 505-519.
Gudwin
&
Von
Zuben
(1998).
Geradores
de
Nmeros
Aleatrios.
ftp://ftp.dca.fee.unicamp.br/pub/docs/ia707/aula9.pdf: 2 de Fevereiro.
Haarhoff, J., Mathews, E.H. (2006). A Monte Carlo method for thermal building simulation. Energy
and Buildings, 2006, pp. 1395-1399.
Hoes, P., Hensen, J.L.M., Loomans, M.G.L.,Vries, B.,Bourgeois,D. (2008). User behavior in whole
building simulation. Energy and Buildings, 2009, pp. 295-302.
Hong, T., Jiang, Y. (1995), Stochastic Weather Model for building HVAC Systems. Building and
Environment, 1995, pp. 521-532.
Lustosa, P.R.B., Ponte, V.M.R., Dominas, W.R. (2004). Pesquisa operacional para deciso em
contabilidade e administrao: contabilometria. Simulao In: CORRAR, L.J., Thephilo, C.R.
(Coord.), So Paulo.
Neves,
A.P.,
Jardim,S.
(2003),
Cruz,
J.
(2000).
Mtodos
de
Apoio
deciso.
http://www.est.ipcb.pt/tecnologias/tec_MAD/Analise%20Sensibilidade.pdf. 2 de Novembro.
F.
H.
F.
P.,
Junior,
V.A.P.
(2002).
Gerando
http://www.feferraz.net/files/lista/random_numbers.pdf. 25 de Outubro.
Nmeros
Aleatrios.
Rubinstein, R. Y. 1981. Simulation and the Monte Carlo Method. John Wiley & Sons, New York.
Santos, P. D. C. (2010). Optimizao da Resistncia Trmica da Envolvente de Edifcios Escolares.
Dissertao em Construes Civis. Faculdade de Engenharia da Universidade do Porto.
Simes, M. L. O. (2010). Sistemas Estocsticos Sistemas de Espera. Dissertao de Doutoramento
em Matemtica Aplicada, Universidade do Porto.
79
Soratana, K., Marriott, J. (2009). Increasing innovation in home energy efficiency: Monte Carlo
Simulation of potential improvements. Energy and Buildings, 2010, pp. 828-833.
Sua (2005). International Standard Organization, Ergonomics of the thermal environment
analytical determination and interpretation of thermal comfort using calculation of the PMV and PPD
indices and local thermal comfort criteria: ISO 7730.
Veiga, J. M. G. C. (2008). Mtodos de Anlise das Incertezas na Verificao Estrutural em
Engenharia Civil. Dissertao em Estruturas. Faculdade de Engenharia da Universidade do Porto.
Vose, D. (2000). Risk analysis: a quantitative guide. 2. ed. Sussex: John Wiley & Sons Ltd.
Yun, Y.G., Tuohy, P., Steemers, K. (2009). Thermal performance of a naturally ventilated building
using a combined algorithm of probabilistic occupant behaviour and deterministic heat and mass
balance models. Energy and Buildings, 2009, pp. 489-499.
80