La calibrazione della simulazione dinamica degli edifici esistenti

Applicazione di un approccio multi-fase.

ABSTRACT
Negli ultimi anni gli strumenti per la simulazione dinamica degli edifici non sono più confinati al mondo della ricerca ma sono entrati negli studi professionali grazie alla accuratezza e all’affidabilità che possono garantire nella previsione delle prestazioni energetiche degli edifici. Inoltre, nel caso degli edifici esistenti, l’applicazione di alcune tecniche di ottimizzazione permette di sfruttare le potenzialità della simulazione sia per confrontare e scegliere le migliori soluzioni di retrofit energetico, sia per definire un modello che meglio rappresenti il comportamento energetico dell’edificio reale ai fini della diagnosi energetica, del controllo dei sistemi e dell’individuazione dei guasti. L’attendibilità della simulazione dinamica dell’edificio dipende infatti dall’affidabilità degli algoritmi implementati, dalla loro accuratezza, oltreché dall’incertezza dei parametri richiesti dal software di simulazione per caratterizzare materiali e componenti. Nei casi reali infatti risulta molto difficile reperire le informazioni sulle proprietà termofisiche dei materiali, i parametri caratteristici dell’impianto termico, nonché prevedere l’uso e il comportamento delle persone. Il primo passo per ottenere un buon modello, quindi, consiste nel calibrarlo per mezzo di misure in situ. I monitoraggi, se di lungo termine e se estesi a tutto l’edificio, possono fornire le informazioni necessarie, ma sono molto onerosi in termini di tempo e di costo dell’attrezzatura. Inoltre la calibrazione risulta spesso guidata dall’esperienza dell’operatore anziché essere il risultato di un approccio sistematico. Questo articolo presenta il caso di una calibrazione basata sull’ottimizzazione, a partire da un monitoraggio economico in cui la strumentazione è stata utilizzata per brevi periodi grazie all’implementazione di un approccio multi-fase in cui gruppi di parametri vengono calibrati in periodi dell’anno differenti così da non avere l’interferenza degli uni sugli altri. Questo metodo è stato applicato per calibrare il modello di un’aula della scuola primaria San Benedetto di Schio in provincia di Vicenza.

COS’È LA CALIBRAZIONE?
Il crescente interesse e la necessità di riqualificazione energetica dell’esistente ha esteso il campo di applicazione della simulazione dinamica ad applicazioni su edifici reali a supporto della diagnosi energetica e della valutazione dell’efficacia di soluzioni alternative di intervento. Questo processo però ha enfatizzato la richiesta di strumenti e metodi in grado di simulare in modo affidabile il comportamento energetico degli edifici. È bene ricordare che l’affidabilità della simulazione energetica non dipende solo dalla qualità e dal dettaglio del modello, ma anche dall’incertezza dei numerosi parametri di input, come le proprietà termiche dei materiali e dei componenti, le ipotesi sulla gestione delle aperture e dell’impianto, sull’occupazione degli ambienti, le condizioni ambientali al contorno. Tutte queste informazioni, nel caso degli edifici esistenti, spesso mancano o sono caratterizzate da una grande incertezza. In questo contesto la calibrazione del modello di simulazione per mezzo di misure in situ può costituire un importante strumento per aumentare l’affidabilità delle previsioni e delle valutazioni come sottolineato nella recente letteratura scientifica (Reddy et al, 2007, Raftery et al, 2011).
Ma cosa significa calibrare un modello? La calibrazione consiste nell’andare a sintonizzare i parametri in input ritenuti incerti, in modo da individuare una combinazione che riesca a garantire una adeguata approssimazione nella rappresentazione del comportamento termico o energetico dell’edificio. Il processo di calibrazione implica i seguenti step di lavoro: 1) raccolta dell’output che si vuole simulare tramite monitoraggio strumentale in situ; 2) definizione dei parametri affetti da incertezza; 3) definizione di un range di variazione realistico per ciascun parametro; 4) simulazione di tutte le possibili combinazioni dei valori dei parametri; 5) individuazione della combinazione che determina i risultati più vicini alle misure.
Rispetto al primo punto, e cioè alla grandezza misurata con il monitoraggio, alcuni autori usano il consumo energetico (Heo et al, 2012, Soebarto, 1997, Pedrini et al, 2002, G. Liu and M. Liu 2012, Raftery et al, 2011a & 2011b), altri la temperatura dell’aria della zona (Tahmasebi and Mahdavi, 2012, Tahmasebi et al, 2012, Taheri et al, 2013, Penna et al. 2014b, Penna et al. 2015c), altri ancora usano la temperatura dell’aria in combinazione con la radiazione solare e il consumo energetico (A. Nassiopoulos et al, 2014). Normalmente per le condizioni climatiche vengono usati i dati raccolti dalle stazioni meteorologiche più vicine alla località in cui si trova l’edificio.
Riguardo al processo di calibrazione Coakley et al. (2014) distingue tra calibrazione manuale o automatica: nel primo caso l’operatore procede con l’implementazione di successive simulazioni in modo manuale, mentre nel secondo caso viene usato un processo automatico che assiste e completa la calibrazione del modello. In quest’ultimo caso la calibrazione è assistita dall’applicazione di metodi statistici e matematici, come per esempio l’uso di tecniche di ottimizzazione che viene proposto in diversi lavori (Tahmasebi & Mahdavi, 2012, Tahmasebi et al. 2012, Taheri et al. 2013, Penna et al. 2014b, Penna et al. 2015c) come uno dei metodi più efficaci per la calibrazione di un modello. Il processo di ottimizzazione, attraverso l’aggiustamento dei parametri in input alla simulazione è usato per minimizzare le differenze tra l’output del modello e i dati monitorati.
Due sono i punti delicati del procedimento: la scelta dei parametri in input che si consiglia di fare sulla base di un’analisi di sensibilità (Tahmasebi & Mahdavi, 2012) e la scelta dell’indicatore, in genere statistico, con cui stimare la bontà della calibrazione. In questo caso la scelta può ricadere sull’uso di una differenza percentuale (Pedrini et al., 2002) oppure degli indicatori statistici standardizzati che sono in grado di aggregare in un unico numero adimensionale gli errori di ciascun time-step. In letteratura vengono usati: la deviazione quadratica media (o Root Mean Square Deviation), RMSD (Liu G. & Liu M., 2012), il coefficiente di variazione della deviazione quadratica media, CV(RMSD) (Heo et al., 2012, Soaberto, 1997), oppure l’errore quadratico medio, o Mean Bias Error (MBE) in combinazione con il CV(RMSD) (Raftery et al., 2011a & 2011b). Inoltre Tahmasebi & Mahdavi (2012) hanno proposto di aggregare in un’unica funzione il CV(RMSD) e il coefficiente di determinazione, R2 della funzione, che fornisce una misura di quanto potenzialmente il modello calibrato sia in grado di simulare correttamente ogni diversa situazione.

PER APPROFONDIRE L'ARGOEMNTO SCARICA L'ARTICOLO INTEGRALE

ALL'INTERNO IL CASO DI CALIBRAZIONE MULTI-FASE DI UNA SCUOLA PRIMARIA IN PROVINCIA DI VICENZA