Gracias a una nueva herramienta que utiliza Gemelos Digitales de edificios para simular el perfil energético de cada construcción en Estados Unidos brindará a los propietarios de viviendas, servicios públicos y empresas una forma rápida de determinar el uso de energía y las modernizaciones rentables que pueden reducir la energía y las emisiones de carbono.
Los investigadores del Laboratorio Nacional de Oak Ridge del Departamento de Energía han desarrollado un programa de modelado que proporciona detalles de energía para cada uno de los 129 millones de edificios en los Estados Unidos utilizando datos disponibles públicamente.
Con el apoyo de la Oficina de Electricidad y Eficiencia Energética y Energía Renovable de la Oficina del DOE, el paquete de software de modelado, conocido como Modelado Automático de Energía de Edificios, o AutoBEM, se desarrolló para lograr la visión de cinco años del Modelo America de ORNL: generar gemelos digitales para todos los edificios en todo el país. El equipo de investigación de ORNL, dirigido por Joshua New, puso los modelos a disposición del público a principios de este año.
Herramienta para calcular el consumo energético de un edificio con gemelos digitales
Cuando comenzó el proyecto en 2015, no existía un recurso único para visualizar y cuantificar con precisión los detalles energéticos de cada edificio de EE. UU. Una herramienta de este tipo con Gemelos Digitales ayudaría al sector de los edificios a contribuir al objetivo de la nación de impulsar una economía de energía limpia equitativa y cimentar a Estados Unidos en un camino hacia emisiones netas de carbono cero para 2050. Este objetivo es fundamental porque los edificios representan el 40% del consumo de energía de Estados Unidos y 75% de su electricidad.
“Hay muchas industrias diferentes que simplemente no tienen la información que necesitan para tomar decisiones comerciales viables sobre cómo mejorar la eficiencia energética”, dijo New. «AutoBEM es un recurso gratuito destinado a engrasar los patines hacia la implementación».
Los planificadores urbanos y los defensores de la justicia energética pueden usar AutoBEM para observar bloques y vecindarios enteros e identificar áreas que históricamente se han pasado por alto en los esfuerzos de mejora de edificios. Al hacerlo, se identificarían fácilmente las comunidades que podrían beneficiarse más de las mejoras en los edificios.
“Las empresas de servicios públicos gastan miles de millones de dólares al año en programas de eficiencia energética y respuesta a la demanda en Estados Unidos”, dijo. “Este gasto se basa en un análisis de firmas de perfiles eléctricos. Antes de este programa, nadie tenía la capacidad de realizar ese análisis con modelos de energía detallados y específicos del edificio a esta escala. Los servicios públicos individuales ahora tienen la capacidad de realizar modelos para mostrar el potencial de reducir la demanda y las emisiones de gases de efecto invernadero «.
Para crear los gemelos digitales de edificios, AutoBEM accede a imágenes satelitales, vistas de la calle y otros datos disponibles públicamente que brindan información sobre el tamaño y la composición energética de un edificio, como el número de ventanas, los materiales de la envolvente del edificio, el número de pisos; sistemas de calefacción, ventilación y refrigeración, y tipo de techo. El programa recopila esas entradas utilizando computación de alto rendimiento y crea un modelo energético de construcción para predecir qué tecnologías podrían implementarse para ahorrar energía, incluidos paneles solares, bombas de calor, termostatos inteligentes o calentadores de agua energéticamente eficientes.
«Para construir AutoBEM, analizamos muchas de las fuentes de datos disponibles y creamos asociaciones con las personas que están en el negocio de generar estos datos, como imágenes satelitales, aéreas y de Street View, datos LiDAR y otros tipos de bases de datos», dijo New.
«Tuvimos que utilizar o ampliar algoritmos para convertir los datos en descripciones, creando una huella 3D del edificio con la altura, el número de ventanas, el tipo de edificio, etc.»
Aunque AutoBEM puede estimar la composición y el rendimiento energético del edificio, no ve detalles dentro del edificio
“Todas las características internas del edificio se basan en edificios prototipo y códigos de construcción estándar”, dijo New. “Por ejemplo, un supermercado tiene un cierto número de pies lineales de congeladores, un cierto número de vitrinas, sistemas de refrigeración similares. Nuestro modelo de supermercado se basaría en ese prototipo estándar «.
Más información: New, J. et al, Model America – data and models of every U.S. building, Oak Ridge National Laboratory (2021). DOI: 10.13139/ORNLNCCS/1774134

El paquete de software del Laboratorio Nacional de Oak Ridge, AutoBEM, crea un gemelo digital de los 129 millones de edificios del país, proporcionando un modelo energético que puede ayudar a las empresas de servicios públicos y a los propietarios a tomar decisiones informadas sobre cómo mejorar mejor la eficiencia energética. Crédito: ORNL, Departamento de Energía de EE. UU.
Un nuevo sistema de inteligencia artificial predice las tasas de energía de los edificios en menos de un segundo
El cálculo oportuno y preciso de la eficiencia energética es un componente vital del proceso de diseño de edificios nuevos y renovados. Además de la que utiliza Gemelos Digitales realizada en Estados Unidos, otra de las investigaciones en marcha que emplea algoritmos para lograr la mejora del consumo energético en las ciudades se desarrolla en el Reino Unido, país que está tratando de llegar a cero neto para 2050.
Los informáticos de la Universidad de Loughborough se han asociado con la consultora de ingeniería multidisciplinaria, Cundall , para crear un sistema de inteligencia artificial que pueda predecir las tasas de emisiones de los edificios (BER), un valor importante que se utiliza para calcular el rendimiento energético de los edificios, de los edificios no domésticos.
Los métodos actuales pueden tardar horas o días en producir BER y se generan ingresando manualmente cientos de variables.
La Dra. Georgina Cosma y la estudiante de posgrado Kareem Ahmed, de la Facultad de Ciencias , han diseñado y entrenado un modelo de IA para predecir valores de BER con 27 entradas con poca pérdida de precisión.
Mejor aún, el modelo de IA propuesto, que se creó con el apoyo del Jefe de Investigación e Innovación de Cundall, Edwin Wealend, y se capacitó con datos a gran escala obtenidos de las evaluaciones de desempeño energético del gobierno del Reino Unido, puede generar un valor de BER casi instantáneamente.
El Dr. Cosma dice que la investigación «es un primer paso importante hacia el uso de herramientas de aprendizaje automático para la predicción de energía en el Reino Unido» y muestra cómo los datos pueden «mejorar los procesos actuales en la industria de la construcción».
¿Qué es un BER y por qué es importante?
Para comprender la importancia de los BER, primero debemos analizar los certificados de eficiencia energética (EPC). En el Reino Unido, se debe completar un EPC cada vez que se vende, alquila o construye un edificio. En España esto es obligatorio también desde el 1 de junio de 2013, con la entrada en vigor del Real Decreto 235/2013.
Este certificado proporciona una indicación de la eficiencia energética de un edificio, contiene información sobre los costos de energía típicos del edificio y recomienda formas de hacerlo más eficiente energéticamente.
Uno de los valores más útiles devueltos es la calificación de activos: un número que proporciona una calificación energética general simple para un edificio y el número está marcado (A + a G) y codificado por colores para facilitar la interpretación.
Sin embargo, producir esta clasificación puede ser un proceso lento ya que el cálculo requiere la tasa de emisión del edificio (BER), que, como se mencionó, puede tardar horas o días en generarse, dependiendo de la complejidad del edificio.
El modelo de IA para el cálculo de eficiencia energética
En su último artículo, el Dr. Cosma y su equipo muestran que su sistema de inteligencia artificial puede generar una BER para edificios no domésticos en menos de un segundo y con tan solo 27 variables con poca pérdida de precisión, lo que lo convierte en un proceso mucho más rápido y eficiente.
Utilizaron un algoritmo de máquina de ‘conjunto basado en árbol de decisiones’ y construyeron y validaron el sistema utilizando 81,137 registros de datos reales que contienen información de edificios no domésticos en toda Inglaterra de 2010 a 2019. Los datos contenían información como la capacidad de construcción, ubicación, calefacción, refrigeración, iluminación y actividad.
El equipo se centró en calcular las tarifas para edificios no domésticos, como tiendas, oficinas, fábricas, escuelas, restaurantes, hospitales e instituciones culturales, ya que estos son algunos de los edificios más ineficientes del Reino Unido en términos de uso de energía, por lo que comprender cómo mejorar su eficiencia puede ser útil en los procesos de diseño y renovación.
Los hallazgos del proyecto se presentaron en el Simposio Técnico 2021 de la Institución Colegiada de Ingenieros de Servicios de Edificación (CIBSE) y el documento se publicará en el sitio web de CIBSE a finales de este año.
El Dr. Cosma comentó: “Existen estudios sobre las aplicaciones del aprendizaje automático en la predicción de energía de los edificios, pero son limitados, y aunque solo representan el 8% de todos los edificios, los edificios no domésticos representan el 20% del CO 2 total del Reino Unido. emisiones «.
Edwin Wealend de Cundall continuó: “Con el tiempo, esperamos aprovechar las técnicas desarrolladas en este proyecto para predecir el consumo real de energía operativa», y añade «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 Net Zero».
Fuente: ORNL y Lougborough University