Otimização multiobjetivo inteligente do conforto térmico e do desempenho da ventilação no projeto de ventilação estratificada

Por que o ar ao redor da sua mesa importa

Passamos a maior parte de nossas vidas em ambientes fechados, e ainda assim o ar invisível que nos cerca molda fortemente o quanto nos sentimos saudáveis, alertas e confortáveis. Sistemas de aquecimento e resfriamento geralmente são projetados de forma fragmentada — uma ferramenta para prever condições, outra para reduzir o consumo de energia, uma terceira para apoiar decisões — deixando os operadores dos edifícios a administrar concessões por tentativa e erro. Este estudo mostra como essas partes podem ser integradas em um único processo de projeto “inteligente” para um sistema promissor chamado ventilação estratificada, que fornece ar fresco diretamente na zona de respiração em vez de simplesmente agitar todo o ambiente.

Ar fresco direcionado em vez de uma solução única para todos

Sistemas tradicionais frequentemente misturam todo o ar de uma sala ou o empurram do piso para cima. A ventilação estratificada segue outro caminho: fornece ar limpo e condicionado horizontalmente, aproximadamente na altura da cabeça, para que os ocupantes respirem ar mais fresco com menos esforço e, em muitos casos, com menos energia. O desafio é que conforto, qualidade do ar e eficiência do aquecimento puxam em direções diferentes. Mudar a velocidade do jato de fornecimento, o ângulo da saída, a temperatura do ar, o aquecimento da parede ou até quão agasalhadas as pessoas estão pode melhorar ou piorar esses três objetivos de maneiras complexas. Os autores usam simulações de computador detalhadas de um escritório típico e as transformam em dados que podem ensinar um sistema inteligente sobre como esses fatores interagem.

Ensinando um computador a prever conforto e frescor

A partir de 50 simulações cuidadosamente validadas, a equipe treina redes neurais artificiais — modelos computacionais vagamente inspirados no cérebro — para prever quatro resultados-chave: o quão quentes as pessoas se sentem em média, quanto tempo o ar demora para ser substituído, quão diferentes são as temperaturas entre cabeça e tornozelos, e quão eficientemente a energia de aquecimento é usada. Em seguida, deixam dois métodos de busca, um algoritmo genético e uma estratégia “Harris hawks”, ajustarem automaticamente os parâmetros internos dessas redes para que as previsões se alinhem o mais possível com os dados simulados. O algoritmo genético de estilo evolutivo mostra-se ligeiramente superior, alcançando escores de correlação acima de 0,995, o que significa que as previsões do modelo praticamente coincidem com os resultados originais das simulações.

Procurando por pontos ideais, não por um único ponto perfeito

Uma vez que o computador pode prever o desempenho instantaneamente, os autores deixam um otimizador multiobjetivo explorar milhares de configurações possíveis de projeto. Em vez de perseguir uma única melhor resposta, ele constrói uma “fronteira de Pareto” de trade-offs: pontos de operação onde não se pode melhorar o conforto, ou a frescura do ar, ou a uniformidade da temperatura vertical sem prejudicar pelo menos um dos outros. Os resultados revelam padrões claros. As pessoas se sentem mais neutras quando o ar de fornecimento é relativamente rápido, mas não provoca corrente — cerca de 1,18–1,20 m/s —, levemente quente (por volta de 22 °C), e quando o isolamento de roupa é aproximadamente o que se usaria com um suéter leve. A frescura melhora com pequenos ângulos de saída e jatos mais fortes, que varrem o ar antigo mais rapidamente, enquanto a indesejada estratificação de ar quente no topo e ar mais frio na parte inferior é atenuada por ângulos de saída mais amplos e superfícies de parede moderadamente aquecidas. Notavelmente, a eficiência do aquecimento permanece alta e quase constante através de todas essas soluções concorrentes.

Transformando uma nuvem de opções em escolhas concretas

Para projetistas e gestores prediais, uma nuvem de opções igualmente boas ainda é um quebra‑cabeça prático. Para tornar os resultados utilizáveis, os autores aplicam um método de tomada de decisão chamado VIKOR que classifica as soluções otimizadas sob diferentes prioridades. Eles constroem dez “cenários” representativos. Um favorece o conforto puro — ideal para escritórios executivos ou quartos de hospitais. Outro foca na rápida renovação do ar, mais adequado para clínicas ou salas de aula lotadas onde o risco de infecção é uma preocupação. Outros equilibram conforto, frescor e uniformidade de temperatura vertical para grandes salões, academias ou escritórios em espaço aberto. Cada cenário vem com intervalos específicos para ângulo da saída, velocidade do ar, temperatura do ar e das paredes, e níveis esperados de vestimenta, transformando a otimização abstrata em botões simples que um operador predial pode ajustar.

O que isso significa para edifícios do dia a dia

Para um não especialista, a mensagem é direta: não precisamos mais acertar por acaso o caminho para um ar interno confortável, saudável e eficiente. Ao combinar ferramentas avançadas de previsão, busca automatizada e classificação transparente de opções, este estudo oferece um roteiro para ajustar sistemas de ventilação estratificada a diferentes tipos de ambientes e prioridades. Na prática, isso pode significar escritórios onde as pessoas se sentem confortáveis sem forçar o aquecimento, enfermarias hospitalares onde o ar fresco alcança os pacientes mais confiavelmente, e grandes locais onde o desconforto de cabeça quente/pés frios é mantido sob controle. O trabalho demonstra que o projeto inteligente pode transformar a promessa abstrata de melhor ventilação em configurações concretas e ajustáveis que funcionam no mundo real.

Citação: Hammouda, N.G., Ahmed, Z., Omar, I. et al. Intelligent multi-objective optimization of thermal comfort and ventilation performance in stratum ventilation design. Sci Rep 16, 6272 (2026). https://doi.org/10.1038/s41598-026-36233-7

Palavras-chave: qualidade do ar interno, conforto térmico, ventilação estratificada, edifícios energeticamente eficientes, otimização com aprendizado de máquina