Estimación de la temperatura del Globo de Bulbo Húmedo (WBGT) para ambientes de cielo abierto a través de Redes Neurales Artificiales utilizando datos de estaciones meteorológicas
DOI:
https://doi.org/10.55761/abclima.v30i18.14713Palabras clave:
Meteorologia instrumental, Técnica de estimação, Gerenciamento de risco, Estresse ao calorResumen
Este trabajo tiene como objetivo demostrar la viabilidad técnica de estimar el Índice de Bulbo Húmedo del Termómetro de Globo (WBGT, en inglés) para ambiente cielo abierto a través de datos medidos en estaciones meteorológicas convencionales, utilizando Redes Neuronales Artificiales (ANN). Para ello, la instalación de termómetros de bulbo húmedo natural y de globo en una estación meteorológica convencional, con la finalidad de calcular el (WBGT) de forma sincrónica con las variables de temperatura, humedad y velocidad del aire, así como la radiación solar global y presión atmosférica. El entrenamiento de ANN se llevó a cabo utilizando 81 días de mediciones. Algunas configuraciones de ARN se han modificado para encontrar la que tiene el mejor rendimiento para la red. Para la prueba de validación del entrenamiento se seleccionó un día abierto, nublado y lluvioso, con condiciones sinópticas que imponen un alto estrés térmico. El WBGT estimado por el RNA siguió el ciclo diario del WBGT medido, con la mejor configuración de red (tres capas y cinco neuronas) estimando error cuadrático diario promedio de 0.2724°C y error promedio absoluto de 0.1818°C (con un porcentaje de error de solo 0.7%). Se comprueba la viabilidad técnica de estimar el IBUTG con adecuada precisión a partir de datos meteorológicos, lo que permite utilizar la técnica de la RNA como estrategia orientadora para la gestión de riesgos laborales.
Descargas
Citas
AGUIRE, L. A. Introdução à identificação de sistemas: técnicas lineares e não-lineares aplicadas a sistemas reais. Belo Horizonte: Editora UFMG, 2007. 728 p.
AMORIM, A. ELOÁ B.; LABAKI, L. C.; MAIA, P. A.; BARROS, T. M. SANTIAGO; & MONTEIRO, L. R. Exposição ocupacional ao calor em atividades a céu aberto na construção de estruturas de edifícios. Ambiente Construído, v.20, n.1, p.231-245, 2019. Disponível em: https://doi.org/10.1590/s1678-86212020000100371. Acesso em: 15 fev. 2021.
ATTHAJARIYAKUL, S.; LEEPHAKPREEDA, T. Neural computing thermal comfort index for HVAC systems. Energy Conversion and Management, v. 46, n. 15-16, p. 2553–2565, 2005. Disponível em: https://doi.org/10.1016/j.enconman.2004.12.007. Acesso em: 15 fev. 2021.
ANOCHI, Juliana Aparecida. Previsão climática de precipitação por redes neurais autoconfiguradas. 2015. Tese (Doutorado em Computação Aplicada) – Instituto Nacional de Pesquisas Espaciais, São José dos Campos, 2015.
Ministério do Trabalho e Emprego. Portaria n° 3214 de 8 de junho de 1978: Normas Regulamentadoras relativas à segurança e medicina do trabalho. NR. 15 – Atividades e operações insalubres, 1978a.
Ministério do Trabalho e Emprego. Portaria n° 3214 de 8 de junho de 1978: Normas Regulamentadoras relativas à segurança e medicina do trabalho. NR. 09 – Programa de Prevenção de Riscos Ambientais, 1978b.
BIANCHI, E. C. Estimativa da energia elétrica gerada por um sistema fotovoltaico utilizando Redes Neurais Artificiais. 2018. 126f. Dissertação (mestrado) – Universidade Federal de Mato Grosso, Faculdade de Arquitetura, Engenharia e Tecnologia, Cuiabá, 2018.
BORGES, V. C. A. L.; CALLEJAS, I. J. A.; DURANTE, L. C. Thermal sensation in outdoor urban spaces: a study in a Tropical Savannah climate Brazil. Int J Biometeorol, v.64, p.533–545, 2020. Disponível em: https://doi.org/10.1007/s00484-019-01830-x. Acesso em: 25 jan. 2021.
BUDD, G. M. Wet-bulb globe temperature (WBGT) - its history and its limitations. Journal of Science and Medicine in Sport, v.11, n.1, p.20-32, 2008. Disponível em: https://doi.org/10.1016/j.jsams.2007.07.003. Acesso em: 15 fev. 2021.
CALLEJAS, I. J. A. Mapeamento do índice de bulbo úmido termômetro de globo (IBUTG) em região de clima tropical continental. 2012. 40 f. Monografia (Especialização) – Faculdade de Arquitetura, Engenharia e Tecnologia, Universidade Federal de Mato Grosso, Cuiabá, 2012.
CALLEJAS, I. J. A.; NOGUEIRA, M. C. J. A.; BIUDES, M. S.; DURANTE, L. C. Seasonal Variation of Surface Energy Balance of a Central Brazil City. Mercator, v.15, n.3, p.85–106, 2016. Disponível em: https://doi.org/10.4215/RM2016.1503.0006. Acesso em: 12 fev. 2021.
CAMELO, Henrique do Nascimento; LUCIO, Paulo Sérgio; LEAL JUNIOR, João Verçosa. Modelagem da Velocidade do Vento Usando Metodologias ARIMA, HOLT-WINTERS e RNA Na Previsão de Geração Eólica no Nordeste Brasileiro. Revista Brasileira de Climatologia, v. 21, p.449–466, 2017. Disponível em: https://dx.doi.org/10.5380/abclima.v21i0.48565. Acesso em: 15 jan. 2021.
CARVALHO, Roberto Luís da Silva; DELGADO, Angel Ramon Sanchez. Estimativas Das Modelagens Por Redes Neurais Tipo GMDH E BOX-JENKINS para Séries de Temperaturas Máximas e Mínimas do Município de Ariquemes (RO). Revista Brasileira de Climatologia, v. 26, p.326–344, 2020. Disponível em: https://doi.org/10.5380/abclima.v26i0.59145. Acesso em: 10 jan. 2021.
CHAN, S. Y.; CHAU, C. K. Development of artificial neural network models for predicting thermal comfort evaluation in urban parks in summer and winter. Building and Environment, v. 164, 106364, 2019. Disponível em: https://doi.org/10.1016/j.buildenv.2019.106364. Acesso em: 15 jan. 2021.
CORREA, S. M. B. B. Probabilidade e estatística. 2. ed. Belo Horizonte: PUC Minas Virtual, 2003. 116p.
DE PAULA, Diana Carolina Jesus et al. Estimativa da Temperatura do Ar Microclimática em Cuiabá/MT Utilizando Redes Neurais. Revista Brasileira de Climatologia, v. 28, 2021. Disponível em: http://dx.doi.org/10.5380/rbclima.v28i0.75304. Acesso em: 20 jan. 2021.
ENGELBRECHT, A. P. Computational intelligence: an introduction. 2. ed. Wiley, 2007. 628p.
FERREIRA, P. M.; RUANO, A. E.; SILVA, S.; CONCEIÇÃO, E. Z. E. Neural networks based predictive control for thermal comfort and energy savings in public buildings. Energy and Buildings, v.55, p. 238-251, 2012. Disponível em: https://doi.org/10.1016/j.enbuild.2012.08.002. Acesso em: 20 jan. 2021.
GAO, L.; BAI, H. Neural Network Based Prediction of PMV Index. In Architectural Engineering Conference (AEI), September 17-20, Austin, Texas, United States, 2003. Anais [...]. American Society of Civil Engineers, 2003. Disponível em: https://doi.org/10.1061/40699(2003)16. Acesso em: 25 jan. 2021.
GIAMPAOLI, Eduardo. NHO 06 - Avaliação Da Exposição Ocupacional Ao Calor. [s.n.], 2018. Web. Disponível em: https://www.abho.org.br/nho-06-avaliacao-da-exposicao-ocupacional-ao-calor/. Acesso em: 20 jan. 2021.
HAGAN, M. T.; DEMUTH, H. B.; BEALE, M. H.; JESÚS, O. Neural network design. 2. ed. Martin Hagan, 2014. 1012p.
HAYKIN, S. Redes neurais: princípios e práticas. 2. ed. Porto Alegre: Bookman, 2001. 898p.
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. ISO 7726. Ergonomics of the thermal environments: Instruments and methods for measuring physical quantities. International Standards Organization. Genebra, 1998.
KAIHO, Y.; TAKAMATSU, S.; e ITOH, T. Method of Estimating Heatstroke Risk Using Wristwatch-type Device, Sensors and Materials, v. 31, n. 12, p.4061-4068, 2019. Disponível em: https://doi.org/10.18494/SAM.2019.2452. Acesso em: 20 jan. 2021.
LOWRY, W. P. Empirical estimation of urban effects on climate: A problem analysis. Journal of Applied Meteorology, v.16, p.129-135, 1977. Disponível em: https://doi.org/10.1175/1520-0450(1977)016<0129:EEOUEO>2.0.CO;2. Acesso em: 30 jan. 2021.
MAIA, P.A.; RUAS, A. C.; BITENCOURT, D. P. Wet-bulb globe temperature index estimation using meteorological data from São Paulo State, Brazil. Int J Biometeorol,v. 59, n. 10, p.1395-403, 2015. Disponível em: https://doi.org/10.1007/s00484-014-0949-7. Acesso em: 30 jan. 2021.
MAHGOUB, A. O.; GOWID, S.; GHANI, S. Global evaluation of WBGT and SET indices for outdoor environments using thermal imaging and artificial neural networks. Sustainable Cities and Society, v. 60, 102182, 2020. Disponível em: https://doi.org/10.1016/j.scs.2020.102182. Acesso em: 25 jan. 2021.
MATHWORKS. MATLAB. Disponível em: https://www.mathworks.com/products/matlab.html. Acesso em: 10 mar. 2021.
MELLIT, A; SAǦLAM, S; KALOGIROU, S. A. Artificial neural network-based model for estimating the produced power of a photovoltaic module. Renewable Energy, v.60, p.71–78. 2013. Disponível em: https://doi.org/10.1016/j.renene.2013.04.011. Acesso em: 15 mar. 2021.
MOUSTRIS, K.; NASTOS, P. T.; PALIATSOS, A. G. One-Day Prediction of Biometeorological Conditions in a Mediterranean Urban Environment Using Artificial Neural Networks, Advances in Meteorology, V. 2013, 538508, 2013. Disponível em: https://doi.org/10.1155/2013/538508. Acesso em: 20 mar. 2021.
MOUSTRIS, K.; TSIROS, I. X.; TSELIOU, A. et al. Development and application of artificial neural network models to estimate values of a complex human thermal comfort index associated with urban heat and cool island patterns using air temperature data from a standard meteorological station. Int J Biometeorol, v.62, p.1265-1274, 2018. Disponível em: https://doi.org/10.1007/s00484-018-1531-5. Acesso em: 5 mar. 2021.
PALLADINO, D.; NARDI, I.; BURATTI, C. Artificial Neural Network for the Thermal Comfort Index Prediction: Development of a New Simplified Algorithm. Energies, v.13, 4500, 2020. Disponível em: https://doi.org/10.3390/en13174500. Acesso em: 5 mar. 2021.
OKE, T. R. Initial guide to obtain representative meteorological observations at urban site. World Meteorological Organization. Canadá: WMO, 2006. 47p.
ROSCANI, R. C.; BITENCOURT, D. P.; MAIA, P. A.; RUAS, A. C. Risco de exposição à sobrecarga térmica para trabalhadores da cultura de cana-de-açúcar no Estado de São Paulo, Brasil, Cad. Saúde Pública, v.33, n.3, e00211415, 2017. Disponível em: http://dx.doi.org/10.1590/0102-311X00211415. Acesso em: 10 mar. 2021.
SOUZA, Amaury de; PAVÃO, Hamilton Germano; OLIVEIRA, A. P. Garcia. Artificial Neural Networks: An Application In The Study Of Air Quality. Revista Brasileira de Climatologia, v. 13, 2014. Disponível em: http://dx.doi.org/10.5380/abclima.v13i0.33066. Acesso em: 15 mar. 2021.
WILLMOTT, C. J. Some comments on the evaluation of model performance. Bulletin of the American Meteorological Society, v. 63, n. 11, p.1309-1313, 1982. Disponível em: https://doi.org/10.1175/1520-0477(1982)063<1309:SCOTEO>2.0.CO;2. Acesso em: 10 fev. 2021.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
A aprovação dos artigos implica a aceitação imediata e sem ônus de que a Revista Brasileira de Climatologia terá exclusividade na primeira publicação do artigo. Os autores continuarão, não obstante, a deter os direitos autorais. Os autores autorizam também que seus artigos sejam disponibilizados em todos os indexadores aos quais a revista está vinculada.
Os autores mantém seus direitos de publicação sem restrições
A Comissão Editorial não se responsabiliza pelos conceitos ou afirmações expressos nos trabalhos publicados, que são de inteira responsabilidade dos autores.
A Revista Brasileira de Climatologia oferece acesso livre imediato ao seu conteúdo, seguindo o entendimento de que disponibilizar gratuitamente o conhecimento científico ao público proporciona maior democratização do conhecimento e tende a produzir maior impacto dos artigos publicados. Os artigos publicados na revista são disponibilizados segundo a Licença Creative Commons CC-BY-NC 4.0 (https://creativecommons.org/licenses/by-nc/4.0/). Segundo essa licença é permitido acessar, distribuir e reutilizar os artigos para fins não comerciais desde que citados os autores e a fonte. Ao submeter artigos à Revista Brasileira de Climatologia, os autores concordam em tornar seus textos legalmente disponíveis segundo essa licença
