Sim. A IA pode ajudar a identificar os edifícios com pior desempenho numa carteira antes de lançar programas de reabilitação. Eis como funciona:
- Análise de dados à escala: A IA analisa as facturas de energia, os padrões de ocupação, as caraterísticas do edifício e os dados climáticos para encontrar propriedades com fraco desempenho.
- Melhoria da segmentação: Ao identificar os edifícios de alto risco, a IA ajuda a evitar o desperdício de recursos em activos de baixa prioridade.
- Modelos avançados: Técnicas como a deteção de anomalias, o agrupamento e a modelação preditiva classificam os edifícios em função do desempenho e do risco.
- Integração de dados: A IA combina diversas fontes de dados - como facturas de serviços públicos, dados de sensores IoT e registos de manutenção - para obter informações mais precisas.
- Apoia os especialistas: A IA reduz o foco, assegurando que os engenheiros gastam o tempo onde é mais impactante.
Principais vantagens:
- Potencial de poupança de energia: 10-40%.
- Previsões mais exactas: Os modelos de IA atingem taxas de erro tão baixas como 5%, em comparação com 18-25% para os métodos tradicionais.
- Planeamento financeiro a longo prazo: A IA apoia estratégias de investimento plurianuais, reduzindo os custos e aumentando o ROI.
A IA não substitui as auditorias de peritos, mas actua como uma ferramenta de pré-seleção para orientar decisões mais inteligentes e baseadas em dados.
Webinar OAA: Utilização de imagens de IA e IR em reabilitações energeticamente eficientes
sbb-itb-5be7949
Porque é que os programas de reabilitação não abrangem os edifícios com pior desempenho
IA versus métodos tradicionais: Desempenho e precisão da reabilitação de edifícios
Os programas de reabilitação ficam muitas vezes aquém das expectativas porque se concentram nos objectivos errados. Isto acontece principalmente devido a três questões principais: dados incompletos, uma focalização no custo em detrimento do desempenho e o impacto financeiro de uma má focalização.
Lacunas na visibilidade dos dados e da carteira
A qualidade dos dados nas carteiras de edifícios é frequentemente inconsistente. Um imóvel pode ter auditorias energéticas e registos de medição detalhados, enquanto outro tem pouco mais do que a sua metragem quadrada e o endereço no ficheiro. Esta disparidade torna difícil comparar edifícios de forma justa.
"As decisões de reequipamento tornam-se mais difíceis - não porque as soluções não estejam disponíveis, mas porque os edifícios variam em termos de preparação, qualidade dos dados e restrições." - Schneider Electric [3]
As auditorias energéticas tradicionais podem ajudar a colmatar estas lacunas, mas são dispendiosas e demoradas. Como resultado, as decisões acabam muitas vezes por ser tomadas com base em dados incompletos, afastando os esforços de verdadeiras melhorias baseadas no desempenho.
Dar prioridade ao custo em detrimento do desempenho
Quando os orçamentos são apertados, os proprietários dos edifícios tendem a dar prioridade às obras de reabilitação mais baratas em detrimento daquelas que podem proporcionar as melhores poupanças de energia. Esta abordagem orientada para os custos conduz frequentemente a previsões de poupança pouco fiáveis. Os modelos de planeamento baseados em regressão, por exemplo, apresentam taxas de erro que variam entre 18% e 25%, o que realça os riscos financeiros de ignorar os dados de desempenho [4]. A longo prazo, esta mentalidade pode fazer descarrilar os esforços para alcançar uma eficiência energética significativa.
O custo de visar os edifícios errados
Concentrar-se nos edifícios errados desperdiça dinheiro e atrasa o progresso em direção aos objectivos de descarbonização. Visar os edifícios com pior desempenho - os "grandes poupadores" - pode reduzir o consumo total de energia da carteira em 12-32% [2]. Perder estas oportunidades torna-se cada vez mais arriscado à medida que os regulamentos energéticos se tornam mais rigorosos e os inquilinos exigem espaços mais ecológicos. Os edifícios que não cumprem os padrões de desempenho podem enfrentar problemas de conformidade, redução do potencial de aluguer e diminuição do valor.
A IA oferece uma forma de sair deste ciclo. Ao fornecer informações precisas e orientadas por dados, pode identificar os verdadeiros agentes com fraco desempenho numa carteira, ajudando os proprietários a tomar decisões mais inteligentes.
"Abordar a eficiência energética é o caminho mais tangível para a descarbonização do sector imobiliário, mas muitos proprietários de edifícios não têm um roteiro claro." - Ramya Ravichandar, Vice-Presidente de Gestão de Produtos, Edifícios Inteligentes e IOT, JLL [1]
Como a IA identifica edifícios de alto risco e alto impacto
Para grandes carteiras de propriedades, descobrir por onde começar pode ser como procurar uma agulha num palheiro. A IA entra em ação analisando sistematicamente os dados para destacar os activos que exigem atenção imediata.
Métodos de IA para o rastreio de grandes carteiras
A IA utiliza técnicas avançadas como a deteção de anomalias para assinalar consumos de energia invulgares, a agregação para agrupar edifícios semelhantes e a modelação preditiva para estimar a procura de energia e as emissões futuras. Estas ferramentas ajudam a classificar os activos por risco, facilitando a definição de prioridades de ação.
Uma abordagem que se destaca é a classificação de risco. Este método avalia os edifícios com base em factores como a sua exposição a alterações regulamentares e o seu potencial para se tornarem activos irrecuperáveis à medida que as normas energéticas se tornam mais rigorosas. Ao combinar modelos como LSTM (redes de memória longa de curto prazo) e XGBoost, A IA capta tanto os padrões baseados no tempo como as interações complexas entre as caraterísticas do edifício. Estes modelos híbridos são altamente precisos, atingindo um erro quadrático médio (RMSE) inferior a 5%, em comparação com 18-25% para os modelos de regressão tradicionais [4].
Quando vários fluxos de dados são integrados, estas avaliações de risco tornam-se ainda mais nítidas.
Combinar várias fontes de dados para obter uma imagem completa
Nenhum conjunto de dados isolado pode fornecer uma perspetiva completa. A IA reúne vários dados, incluindo detalhes fundamentais do edifício (como área útil, idade, isolamento e sistemas AVAC), dados operacionais de contadores inteligentes e sistemas de gestão de edifícios, registos de manutenção de CMMS e factores contextuais como padrões climáticos e horários de ocupação. Os registos de emissões de carbono e as métricas de intensidade de utilização de energia (EUI) são também integrados para enriquecer a análise.
A IA é excelente no tratamento de dados inconsistentes. Por exemplo, os modelos de conjuntos híbridos combinam dados de sensores de alta frequência de edifícios modernos com registos mais escassos de edifícios mais antigos [6]. Isto é fundamental, porque os edifícios mais antigos são cerca de 1,65 vezes mais sensíveis às alterações da procura de energia induzidas pelo clima do que os edifícios mais recentes, com necessidades quase nulas de energia. Até 2050, prevê-se que a procura de energia aumente 199,1% nos edifícios tradicionais contra 120,7% nos edifícios mais eficientes [6]. A IA ajuda a quantificar este "défice de resiliência climática", dando aos gestores de activos um alerta precoce sobre potenciais riscos financeiros.
Este rastreio preciso lança as bases para avaliações especializadas específicas.
A IA como ferramenta de rastreio, não como decisor final
A IA não substitui as auditorias detalhadas - limita o foco aos activos que necessitam de uma investigação mais profunda. Esta abordagem mantém os custos sob controlo, ao mesmo tempo que garante que os conhecimentos de engenharia são direcionados para onde são mais importantes.
"O valor da IA reside na sua capacidade de aprender os padrões de procura de energia dos activos dos edifícios e otimizar a distribuição de energia." - Ramya Ravichandar, Vice-Presidente de Gestão de Produtos, Edifícios Inteligentes e IOT, JLL [1]
A IA também detecta problemas subtis, como a "degradação invisível". Por exemplo, pode identificar um aumento semanal gradual no consumo de energia que pode passar despercebido durante as inspecções de rotina [7]. Embora a IA não substitua os engenheiros, garante que os seus esforços se concentram nas áreas em que as adaptações e os investimentos terão o maior impacto.
O que os modelos de IA de dados precisam para funcionar bem
A qualidade dos dados é a espinha dorsal de qualquer modelo de IA que tenha como objetivo identificar edifícios de alto risco e dar prioridade aos investimentos em reabilitação. A precisão e a estrutura dos dados de entrada determinam diretamente a fiabilidade dos resultados do modelo.
Entradas de dados essenciais para análise de IA
Os modelos de IA baseiam-se em dados fundamentais que a maioria dos proprietários de edifícios já possui, tais como:
- Registos de activos
- Facturas de serviços públicos
- Desenhos de arquitetura
- Horários de ocupação
- Registos de manutenção
Estes pontos de dados estabelecem uma base de referência para compreender o consumo de energia, os padrões operacionais e o historial de manutenção de um edifício.
No entanto, o acesso a registos pormenorizados varia. Os edifícios com dados limitados apenas podem suportar medidas básicas, como recomendações gerais baseadas no tipo, dimensão e localização (acções de nível 3). Em contrapartida, os dados completos permitem análises mais precisas e aprofundadas, que aumentam significativamente a exatidão das previsões da IA [3].
Quando estes dados fundamentais estiverem disponíveis, as entradas avançadas podem levar a análise para o nível seguinte.
Entradas avançadas que melhoram a precisão do modelo
A adição de dados mais pormenorizados e específicos melhora as previsões da IA. Por exemplo:
- Dados de energia normalizados pelo tempo: Elimina as flutuações sazonais, revelando as verdadeiras lacunas de eficiência.
- Registos de condição ao nível do componente: Inclui métricas como a transmitância térmica (valores U) para paredes e janelas, exames termográficos, material e idade dos tubos e dados de sensores IoT em tempo real (por exemplo, vibração, pressão e consumo de corrente).
Quando a IA analisa sinais IoT multivariados - como a comparação do consumo de corrente do compressor com a temperatura ambiente - pode detetar falhas semanas antes de estas causarem uma avaria. De facto, alguns sistemas podem identificar problemas com 3 a 6 semanas de antecedência [5][7][9]. Este tipo de manutenção proactiva só é possível com dados contínuos, granulares e bem rotulados.
No entanto, ter os dados corretos é apenas uma parte da equação. A gestão correta desses dados é fundamental.
Porque é que a governação de dados é importante
Recolher dados é uma coisa, mas garantir que são utilizáveis é outro desafio completamente diferente. Problemas como nomes inconsistentes, entradas duplicadas e sistemas em silos em várias propriedades podem prejudicar a capacidade da IA de gerar informações fiáveis. Como diz o blogue da Schneider Electric:
"A consistência é tão importante como a sofisticação técnica. Os decisores de carteiras raramente precisam de previsões precisas, ano a ano... O que precisam é de uma forma fiável de comparar opções." [3]
Para que os resultados da IA sejam acionáveis - especialmente quando informam decisões de reabilitação de vários milhões de dólares - os dados devem ser centralizados, validados e formatados de forma consistente. Sem uma governação de dados clara, mesmo os modelos mais avançados podem produzir resultados difíceis de confiar ou implementar [8].
Estabelecer padrões de dados para todo o portefólio não é apenas uma formalidade técnica; é essencial para desbloquear todo o potencial da IA. Os dados governados formam a base para insights orientados por IA que levam a investimentos de retrofit eficazes e direcionados.
Transformar os conhecimentos de IA num plano de investimento em reequipamento
Depois de a IA identificar os edifícios de alto risco, o passo seguinte é transformar essas informações em estratégias de investimento práticas.
Da análise da carteira à comparação de cenários
A análise pormenorizada da IA fornece uma lista classificada de edifícios com base no risco, no desempenho energético e nos custos projectados. Mas uma lista classificada, por si só, não leva à ação. Para torná-la acionável, segmente a lista em níveis: edifícios que precisam de atenção imediata, aqueles que podem esperar 2-3 anos e propriedades onde pequenos ajustes operacionais são suficientes por enquanto.
A partir daí, utilize comparações de cenários para ponderar diferentes prioridades e calendários de reabilitação. As ferramentas de IA são excelentes para testar estes cenários em relação às restrições do mundo real, tais como limites orçamentais, objectivos de redução de carbono e níveis de risco aceitáveis. Este processo ajuda a refinar as decisões antes do início de qualquer despesa efectiva, criando um caminho claro para um modelo CAPEX e OPEX plurianual.
Elaboração de planos plurianuais de CAPEX e OPEX
As comparações de cenários lançam as bases para um roteiro de investimento pormenorizado. Este roteiro avalia as opções de reabilitação em várias dimensões, incluindo a intensidade da utilização de energia, o retorno do investimento (ROI), a taxa interna de retorno (TIR), o valor atual líquido (VAL) e as poupanças de CO₂ projectadas. Estas métricas são frequentemente modeladas ao longo de períodos de tempo de 25 anos ou mais [5].
Esta perspetiva de longo prazo é crucial. Sem uma análise do custo do ciclo de vida, as decisões de reabilitação podem parecer mais baratas à partida, mas conduzem a despesas mais elevadas ao longo do tempo. A transição de reparações reactivas e de emergência para uma modelo de investimento preditivo não só estabiliza os orçamentos como também minimiza surpresas financeiras desagradáveis. Os sistemas construídos com base nesta abordagem apresentam frequentemente um retorno do investimento num prazo de 6 a 12 meses [10].
Utilizar plataformas de gestão de activos como Oxand Simeo™
Plataformas como Oxand O Simeo™ preenche a lacuna entre os conhecimentos de IA e os planos de investimento acionáveis. Com uma vasta biblioteca de 10.000 modelos de envelhecimento e de desempenho energético e 30 000 acções de manutenção, O Oxand Simeo™ simula a degradação dos activos e os custos de intervenção - sem necessidade de hardware ou sensores adicionais [10].
Eis dois exemplos da sua eficácia:
- In'li, A Oxand Simeo™, um grupo francês de gestão de propriedades residenciais, integrou objectivos de desempenho energético no seu planeamento de investimentos. O seu Diretor de Orçamento e Avaliação de Activos explicou:
"Recorremos à Oxand porque precisávamos de uma ferramenta que nos proporcionasse uma visão preditiva - e não apenas corretiva - e nos ajudasse a gerir os nossos investimentos de forma mais eficaz. A Oxand destacou-se pelas suas capacidades de gestão de risco." [10]
- O Departamento de Meuse em França enfrentou desafios com dados fragmentados espalhados por vários sistemas. Ao consolidar estes dados através do Oxand Simeo™, criaram projecções de investimento claras e orientadas para o futuro. O seu Diretor Geral de Serviços partilhou:
"Precisávamos de uma ferramenta que nos permitisse consolidar os dados fragmentados de que dispúnhamos e projectá-los de uma forma que pudesse ser claramente apresentada aos nossos funcionários eleitos, que são os decisores." [10]
Ambos os exemplos destacam a forma como as ferramentas baseadas em dados podem alinhar acções a curto prazo com estratégias de investimento a longo prazo, criando planos diretores que são simultaneamente práticos e com visão de futuro.
Conclusão: Tornar a IA uma parte normal do planeamento da reabilitação
Quando o rastreio do portfólio não é fiável, os proprietários de edifícios acabam muitas vezes por gastar dinheiro em activos que não necessitam de atenção imediata, enquanto os activos críticos e de alto risco continuam a deteriorar-se. A IA inverte este guião ao fornecer uma forma consistente e escalável de identificar onde as intervenções farão a maior diferença.
Os números confirmam este facto. A investigação mostra que os quadros de decisão orientados para a IA podem aumentar o desempenho até 53% em comparação com as abordagens tradicionais de planeamento da reabilitação [12]. Numa escala maior, as organizações que passarem da manutenção reactiva para estratégias preditivas e informadas por IA podem reduzir o seu custo total de propriedade até 30% ao longo do tempo [11].
A IA também se destaca na gestão da complexidade dos cenários do mundo real. Quer se trate de activos equipados com dados de medição detalhados ou apenas com informações básicas - como o tipo, dimensão ou localização do edifício - a IA fornece resultados precisos numa vasta gama de condições. A sua força reside no tratamento consistente de perfis de activos diversos e complexos à escala.
Tendo em conta estes conhecimentos e as claras vantagens da IA, é evidente que esta tecnologia deve tornar-se uma parte essencial do planeamento de reabilitação. Em vez de ser uma solução pontual, a IA deve servir como uma camada de inteligência contínua, baseando as decisões de investimento em informações sólidas e baseadas em dados. Em conjunto com ferramentas integradas de gestão de activos, a IA permite que os proprietários de edifícios actuem mais cedo, atribuam recursos de forma mais inteligente e criem programas de modernização que permaneçam eficazes nos próximos anos.
FAQs
De quantos dados do edifício necessito para que o rastreio da IA funcione?
A quantidade de dados necessários varia consoante a aplicação, mas os grandes conjuntos de dados são geralmente a norma. Estes conjuntos de dados incluem frequentemente dados de utilidade, caraterísticas dos edifícios, utilização de energia, informações meteorológicas, e imagens de deteção remota. Por exemplo, as ferramentas de IA foram utilizadas para analisar instalações que cobrem uns enormes 40 milhões de pés quadrados. Ao tirar partido de métricas como intensidade de utilização de energia, emissões de carbono, e desempenho histórico, Estas ferramentas podem fornecer informações precisas e acionáveis.
Como posso validar os resultados da IA antes de gastar em readaptações?
Para se certificar de que os resultados da IA são fiáveis, antes de se comprometer com as adaptações, tome algumas medidas fundamentais. Em primeiro lugar, procure validação independente das capacidades da IA. Verifique se tem um historial de sucesso com carteiras semelhantes à sua. A transparência é crucial, por isso confirme que o processo de medição e verificação (M&V) é claro e fácil de auditar.
Pedir referências de edifícios comparáveis em termos de dimensão, tipo e localização ao seu. Também é importante avaliar o desempenho da IA em vários locais, e não apenas num único projeto-piloto. Isto dar-lhe-á uma melhor compreensão da sua consistência e fiabilidade. Mais importante ainda, certifique-se de que quaisquer poupanças são apoiadas por um processo que pode ser medido e verificado com confiança.
Como é que as classificações da IA se podem transformar num plano orçamental de 3 a 5 anos para a reabilitação?
As classificações de IA oferecem uma forma inteligente de definir um plano orçamental de 3 a 5 anos para reabilitação, examinando factores críticos como a eficiência energética, os requisitos de manutenção e a pegada de carbono. Esta análise ajuda a identificar quais os edifícios que mais necessitam de actualizações, permitindo que os gestores de activos concentrem os seus investimentos onde terão o maior impacto. Ao utilizar uma estratégia por níveis, as acções podem ser organizadas numa sequência lógica, equilibrando melhorias imediatas com objectivos a longo prazo. Esta abordagem garante que os recursos são utilizados de forma eficaz, alinhando os orçamentos com os objectivos de sustentabilidade.
Publicações do blogue relacionadas
- Ganhos rápidos para a sustentabilidade: Acções de baixo custo que preparam o seu portfólio para grandes mudanças
- Planos de renovação de edifícios nacionais: Como transformar a política numa estratégia de investimento de carteira
- Edifícios com pior desempenho: Como identificar, triar e fasear investimentos numa carteira
- Como a IA pode apoiar o planeamento do investimento na descarbonização das carteiras de edifícios