Resumo Métodos de aprendizagem de máquina podem ser usados para auxiliar o projeto de edifícios energeticamente eficientes, reduzindo cargas de energia enquanto se mantém a temperatura interna desejada. Eles operam estimando uma resposta a partir de um conjunto de entradas tais como a geometria do edifício, propriedades do material, custos do projeto, condições do tempo no local e impacto ambiental. Esses métodos requerem uma fase de treinamento que considera uma base de dados construída a partir de variáveis selecionadas no domínio do problema. Este trabalho avalia o desempenho de quatro métodos de aprendizado de máquina na predição de cargas de resfriamento e aquecimento de edifícios residenciais. A base de dados do treinamento consiste de oito variáveis de entrada e duas variáveis de saída, todas derivadas de projetos de edifícios. Os métodos foram selecionados de acordo com uma pesquisa exaustiva e ajustados por uma estratégia com validação cruzada. Para a avaliação foram usadas quatro medidas estatísticas de desempenho e um índice de sintetização e resultados. Essa estratégia resultou em algoritmos com parâmetros otimizados e permitiu obter resultados competitivos com os apresentados na literatura.

Abstract Machine learning methods can be used to help design energy-efficient buildings reducing energy loads while maintaining the desired internal temperature. They work by estimating a response from a set of inputs such as building geometry, material properties, project costs, local weather conditions, as well as environmental impacts. These methods require a training phase which considers a dataset drawn from selected variables in the problem domain. This paper evaluates the performance of four machine learning methods to predict cooling and heating loads of residential buildings. The dataset consists of 768 samples with eight input variables and two output variables derived from building designs. The methods were selected based on exhaustive research with cross validation. Four statistical measures and one synthesis index were used for the performance assessment and comparison. The proposed framework resulted in accurate prediction models with optimized parameters that can potentially avoid modeling and testing various designs, helping to economize in the initial phase of the project.