Introdução

Os edifícios e a construção destes representam cerca de 35% da energia operacional global e das emissões de CO₂ relacionadas (UNEP, 2022). Ao contrário do uso de energia nos edifícios, existem poucas pesquisas relacionadas ao impacto do uso da água nos edifícios (Mannan; Al-Ghamdi, 2020). Os principais usos da água no Brasil são o abastecimento humano (urbano e rural), o abastecimento animal, a indústria de transformação, a mineração, a termoeletricidade, a irrigação e a evaporação líquida de reservatórios artificiais. No Sudeste, a demanda de uso da água é de 44,8% para abastecimento humano, seguida de 21,1% para irrigação (ANA, 2019).

Na coleta de dados para a Avaliação do Ciclo de Vida (ACV), o método convencional ainda adota uma abordagem manual, buscando informações em bases de dados existentes (Tao et al., 2014), o que compromete a confiabilidade e precisão. Além disso, em muitos estudos verifica-se a falta ou inexistência de dados (Anand; Amor, 2017; Medeiros; Durante; Callejas, 2018). No contexto brasileiro, as ACVs frequentemente utilizam dados majoritariamente provenientes de fontes internacionais, adaptados para a realidade do país (Gomes et al., 2018). Assim, um dos principais desafios enfrentados pela ACV está relacionado, principalmente, à disponibilidade e qualidade dos dados (Nwodo; Anumba, 2019; Reap et al., 2008). No que diz respeito ao consumo de energia operacional de edifícios, é possível realizar simulações computacionais para estimar o consumo. No caso de edifícios já construídos, é comum calcular uma média de consumo de energia, multiplicando esse valor pelo tempo de vida útil do edifício (Wang; Yan; Xiao, 2012). No entanto, estes métodos não consideram variações no uso do ambiente, como períodos de férias escolares em edificações institucionais, ou possíveis variações do número de ocupantes (Dahiya; Laishram, 2024).

Em relação à coleta de dados de consumo de água, a abordagem típica tem sido realizar uma auditoria hídrica do local, na qual um indivíduo treinado visita o local e coleta informações sobre toda a água utilizada em instalações e aparelhos. O auditor então tenta estimar o uso diário total de cada equipamento, aparelho de água ou encanamento com base em entrevistas com a equipe e medições realizadas no local. Se feito corretamente, esse método pode fornecer bons resultados, mas a auditoria é demorada, trabalhosa e sujeita a erros se as informações nas quais as estimativas se baseiam se revelarem falhas (Dzleglelewski et al., 2000).

A ausência de informações temporais representa uma limitação importante para a ACV (Levasseur et al., 2010), uma lacuna que a Internet das Coisas (Internet of Things - IoT) pode mitigar. As quantidades de consumo de materiais, fluxos de entrada e saída e a composição energética variam em diferentes horizontes de tempo, devido a fatores como mudanças no comportamento dos ocupantes, fatores característicos dinâmicos e fatores de ponderação dinâmica. A IoT pode viabilizar a coleta inteligente, dinâmica e em tempo real de dados sobre o consumo de energia e os impactos ambientais, abrangendo as múltiplas estruturas (partes e componentes do produto) e níveis (projeto, fabricação, transporte, uso e reciclagem) da ACV de um produto (Tao et al., 2014).

Sensores de IoT auxiliam na coleta de dados em tempo real, proporcionando informações para uma análise de ACV mais precisa e condizente com a realidade. A arquitetura orientada a serviços (Service-Oriented Architecture – SOA) é uma arquitetura de sistema que adere aos princípios de apoio a tarefas específicas. Com base na SOA, uma arquitetura IoT para ACV pode ser constituída por 4 camadas principais:

1. de percepção, composta, em geral, por sensores – ou dispositivos dotados de sensores, onde se enquadram sensores de RFID, sensores sem fio – wireless, sensores em dispositivos móveis - mobile;

2. de dados, responsável pelo armazenamento dos dados coletados;

3. de serviços, que consistem nos serviços básicos, computacionais e de análise e avaliação; e

4. de aplicação, responsável pelo fornecimento de dados da avaliação para diferentes usuários (Barros; Ruschel; Silva, 2019; Tao et al., 2014).

Dos autores que se concentraram no monitoramento IoT para coleta de dados para ACV, Jayapal e Kumaraguru (2018) desenvolveram um dispositivo baseado em IoT para medir o consumo de energia de equipamentos usados na fabricação de produtos. Koura et al. (2020) utilizaram dados de medição para comparar os impactos ambientais do ciclo de vida do telhado com lastro de cascalho e do telhado verde. Wu et al. (2014) propuseram o uso de sistemas RFID para coleta e comunicação dos dados. Collinge et al. (2011) descreveram a viabilidade de implantar uma rede de sensores sem fio em tempo real para gerar uma ACV dinâmica para edifícios. Rickenbacker et al. (2016) e Collinge et al. (2018) realizaram o monitoramento em tempo real em seis edifícios comerciais representativos, no campo de 72 horas, para desenvolver uma ACV dinâmica. Tu et al. (2017) propuseram uma abordagem de pegada de carbono dinâmica baseada em IoT referente à fabricação de um painel fotovoltaico.

Esta pesquisa utilizou a arquitetura SOA para implantação de IoT para monitorar o consumo de energia e água operacional de um ambiente laboratorial. O principal objetivo deste artigo é compreender as necessidades, dificuldades e benefícios da implantação de monitoramento IoT no auxílio à avaliação do consumo de energia e água operacional de ambiente laboratorial. A contribuição para o corpo de conhecimento do artigo refere-se à aplicação prática em contexto institucional brasileiro do monitoramento IoT para coleta de dados para ACV, buscando compreender os principais impactos desta implementação (para ACV).

Fundamentação

Avaliação do consumo de energia e água operacional

A Avaliação do Ciclo de Vida (ACV) é uma técnica para analisar os impactos ambientais ao longo do ciclo de vida do produto. No contexto de edificações, a ACV quantifica estes impactos desde a extração da matéria-prima, englobando a fase de construção e uso, até a demolição e disposição final dos resíduos da construção civil. A etapa de uso da edificação é subdividida em uso, manutenção, reparo, substituição, remodelação, uso de água operacional e uso de energia operacional (BSI, 2011).

Em 2009, a ACV foi normatizada no Brasil pelas NBR ISO 14040: gestão ambiental, avaliação do ciclo de vida - princípios e estrutura (ABNT, 2009a) e NBR ISO 14044: gestão ambiental, avaliação do ciclo de vida - requisitos e orientações (ABNT, 2009a). As normas dividem a ACV em quatro fases, sendo estas: definição do objetivo e escopo, análise de inventário, avaliação de impacto e interpretação (ABNT, 2009b).

Os elementos que serão aplicados na AICV dependem da metodologia que será aplicada para a avaliação. Nenhuma metodologia única pode resolver todas as questões que envolvem a concepção sustentável, e a combinação de duas ou mais metodologias podem aumentar a capacidade dos projetistas para produzir projetos mais sustentáveis. As organizações têm a flexibilidade para implementar a ACV de acordo com a aplicação pretendida e com os requisitos, e a metodologia é aberta à inclusão de novas descobertas científicas e de melhorias no estado-da-arte da técnica (ABNT, 2009b).

De acordo com Lamnatou et al. (2015), os métodos mais comumente utilizados em estudos ACV são o CML (Center of Environmental Science of Leiden University) e o CED (Cumulative Energy Demand). O CML 2001 é aplicado para as categorias de impacto depleção de recursos abióticos, uso da terra, mudança climática, depleção de ozônio estratosférico, toxicidade humana, ecotoxicidade aquática de água doce, ecotoxicidade aquática marinha, ecotoxicidade terrestre e eutrofização (Mendes et al., 2016). O CED tem como objetivo investigar o uso de energia durante todo o ciclo de vida de um bem ou de um serviço, e é aplicado para as categorias de energia não renovável (fóssil e nuclear) e energia renovável (biomassa, eólica, solar, geotérmica e água) (Frischknecht; Jungbluth, 2007).

Os métodos atuais de estimativa de energia do ciclo de vida são trabalhosos e consomem muitos recursos, exigindo numerosos bancos de dados de inventário incompletos e ferramentas de simulação de energia que exigem uma interface de usuário. Além disso, muitos métodos não levam em consideração o comportamento dos ocupantes. Os ocupantes são parte integrante dos sistemas de energia dos edifícios. O comportamento dos ocupantes pode variar de acordo com a demografia, cultura, estrato econômico, nível de educação, horários de ocupação etc., levando a variações nos padrões de consumo de energia (Dahiya; Laishram, 2024).

Quanto ao consumo de água, os edifícios são reconhecidos como um dos maiores utilizadores de recursos de água doce. O consumo de enormes quantidades de água para construção e operação diminui a disponibilidade de recursos hídricos e, em última análise, gera um elevado impacto ambiental. Além disso, o impacto do uso da água varia significativamente entre países/regiões, devido aos diferentes ciclos de utilização da água. Ao contrário do consumo de energia nos edifícios, o impacto do consumo de água nos edifícios não foi totalmente captado nas pesquisas. Portanto, existe uma lacuna notável na investigação na avaliação abrangente do impacto ambiental, incluindo o ciclo total de utilização da água (Mannan; Al-Ghamdi, 2020).

A água utilizada na fase operacional dos edifícios descreve o consumo total de água pelos ocupantes, tanto dentro como fora do edifício, durante um período especificado. As atividades relevantes para esta fase variam conforme o tipo de edificação. Nos edifícios residenciais, por exemplo, as atividades podem ser jardinagem, manutenção de piscinas, lavagem, banho etc. A quantidade de água utilizada para estas atividades pode variar dependendo de vários fatores, como cultura, renda, número e idade dos moradores, qualidade dos aparelhos, condições climáticas e tipo de construção. Geralmente, o uso de água é estimado com base nas contas de água de uma residência ou edifício específico (Mannan; Al-Ghamdi, 2020), assumindo-se o consumo operacional de água como constante ao longo do ciclo de vida do edifício (Crawford; Pullen, 2011; Stephan; Crawford, 2014).

Internet das coisas

O termo “Internet das Coisas” foi cunhado pelos fundadores do MIT Auto-ID Center original. O termo “Auto-ID” refere-se a qualquer classe ampla de tecnologias de identificação usadas na indústria para automatizar, reduzir erros e aumentar a eficiência. Essas tecnologias incluem códigos de barras, cartões inteligentes, sensores, reconhecimento de voz e biometria. Uma das principais tecnologias Auto-ID é a identificação por radiofreqüência (Radio-Frequency IDentification - RFID) (EC, 2010).

A definição de Internet das Coisas ainda tem alguma imprecisão e pode ter diferentes facetas dependendo da perspectiva adotada. IoT pode ser definida a partir de três perspectivas: orientada para as coisas, orientada para a Internet e orientada à semântica (Atzori; Iera; Morabito, 2010). Considerando a perspectiva orientada para as coisas, é razoável definir a IoT como “[...] coisas que têm identidades e personalidades virtuais operando em espaços inteligentes usando interfaces inteligentes para se conectar e se comunicar dentro de contextos sociais, ambientais e de usuários [...]” (EC, 2008, p. 4, tradução nossa). Uma definição diferente, orientada para a Internet, poderia ser formulada como: “Objetos interconectados tendo um papel ativo no que pode ser chamado de Internet do Futuro [...]” (EC, 2008, p. 4, tradução nossa). Já a perspectiva semântica é composta por duas palavras e conceitos: Internet e Coisa, onde o protocolo de comunicação é o conjunto de Internet, enquanto Coisa é um objeto não precisamente identificável. Portanto, semanticamente, Internet das Coisas significa “[...] uma rede mundial de objetos interconectados exclusivamente endereçáveis, baseada em protocolos de comunicação padrão [...]” (EC, 2008, p. 4, tradução nossa).

A IoT refere-se a um ambiente de computação hiperconectado, que está transformando coletivamente como os dados, o conhecimento e a inovação são atualmente produzidos e consumidos. Não apenas os seres humanos e outros organismos vivos, mas virtualmente qualquer objeto, animado ou inanimado, estão conectados à IoT e interagem uns com os outros através de sensores e conectividade sem fio, rastreados em tempo real e em um estado de aprendizado constante da Big Data.

O uso de IoT para aquisição de dados em tempo real pode ser usado para estimativas rápidas e precisas para ACV e tomada de decisões (Dahiya; Laishram, 2024). O comportamento dos ocupantes é um fator conhecido nas emissões operacionais dos edifícios. A utilização de dispositivos de IoT tem um grande potencial na avaliação do consumo de energia e água impulsionada pela ocupação (Vakalis et al., 2023).

Método

A condução desta pesquisa seguiu a metodologia de pesquisa experimental. A pesquisa experimental consiste em analisar os efeitos que determinadas variáveis causam em um certo objeto de estudo, definindo formas de observação e de controle das mesmas (Gil, 2002). O delineamento do método é composto por: operacionalização das variáveis, determinação do ambiente, determinação dos sujeitos, definição do plano experimental, coleta de dados, análise e interpretação dos dados, como demonstrado na Figura 1 e explicado a seguir.

Determinação do ambiente

O ambiente de estudo foi o Laboratório de Materiais de Construção Civil da Faculdade de Tecnologia da Universidade Estadual de Campinas (UNICAMP). O laboratório tem por objetivo atender às atividades de ensino, pesquisa e extensão, dando suporte técnico na realização de ensaios que envolvam a área materiais de construção civil, desenvolvimento de estudos científicos de novos materiais e tecnologias para esta área.

O laboratório possui uma área total com cerca de 200 m². O espaço principal do laboratório tem 122,29 m²; o espaço anexo ao laboratório, onde se situa a Máquina Universal de Ensaios EMIC Instron com capacidade de realizar tração e compressão de até 2200 toneladas, tem 36,40 m². O laboratório possui também uma câmara úmida de 8,78 m² e uma área externa, onde se situam alguns equipamentos maiores, como betoneiras e a retífica.

Operacionalização das variáveis

As variáveis consistiram nas categorias ambientais relacionadas à fase de uso do ambiente de estudo. Para tal, foram realizadas entrevistas e observações in loco, a fim de compreender os processos e padrões de uso do laboratório. O horário de funcionamento do laboratório de segunda a sexta das 8 às 23 horas. As pessoas que frequentam o laboratório são: 5 pesquisadores, 3 técnicos e 6 auxiliares, sendo que semanalmente ocorrem aulas de graduação com 30 alunos e de pós-graduação com 10 alunos aproximadamente.

Os principais impactos ambientais gerados pelas atividades do Laboratório de Materiais são: consumo de energia, consumo de água e geração de resíduos sólidos. O consumo de energia é predominante por parte dos equipamentos do laboratório. A água é utilizada na lavagem de utensílios e limpeza do laboratório, e para o preparo de amostras para ensaios. Além disso, há água no reservatório localizado na câmara úmida, utilizada durante o processo de cura dos corpos de prova. Os resíduos sólidos são restos de concretos, argamassas, britas, cimentos etc.; que passaram pelos experimentos necessários e são descartados na caçamba. Neste estudo, a geração de resíduos não será considerada, devido à limitação financeira para compra de dispositivos de monitoramento destes resíduos. Desta forma, as respectivas categorias de impacto ambiental relacionadas ao funcionamento do laboratório foram: consumo de energia, expressa em MJ e, consumo de água, expressa em m³.

Determinação dos sujeitos

A fase de Determinação dos Sujeitos busca entender quais são os objetos de estudo. Neste estudo, foram os equipamentos presentes no laboratório que consomem energia, bem como as torneiras e reservatório de água.

Definição do plano experimental

De forma detalhada sobre a parte prática da realização da pesquisa, os procedimentos podem ser divididos nas seguintes etapas:

1. definição dos dispositivos de monitoramento;

2. definição de fornecedores e compra dos dispositivos;

3. instalação dos sensores nos equipamentos do laboratório;

4. estabelecimento de conexão com a rede de internet local;

5. envio dos dados para servidor em nuvem;

6. monitoramento das variáveis;

7. análise dos dados; e

8. conclusões.

Coleta de dados

Esta etapa teve como objetivo monitorar os ambientes em uso para o suporte de ACV. Na etapa de monitoramento, foi observado o comportamento dos dispositivos durante o período de medição no ambiente. Foram verificados os limites do sistema e suas condições de uso.

Análise e interpretação dos dados

Os dados coletados foram analisados através da técnica da ACV. Nesta avaliação, considerou-se os módulos B6 (uso de energia operacional) e B7 (uso de água operacional). As categorias de impacto ambiental escolhidas foram: potencial de aquecimento global (Global Warming Potential – GWP), energia primária renovável e energia primária não renovável. O GWP foi calculado através do método CML baseline 3.05, expresso em kg CO₂ eq por kg de água. E a energia primária renovável e não renovável foi calculada através do método CED, expressa em MJ. A matriz elétrica brasileira foi adotada neste estudo.

Para o cálculo das categorias de energia primária e GWP foram utilizadas as Equações 1 e 2, respectivamente.

Onde:

CED(_OP) se refere à Cumulative Energy Demand (CED), em MJ, das atividades de uso e operação;

Op é o consumo de energia de cada equipamento, em MJ, ou consumo de água, em kg;

n é o número de equipamentos monitorados; e

CEDi, é o CED específico, em MJ, por unidade funcional.

Onde:

GWP(_OP) se refere à Global Warming Potential (GWP), em kg CO₂ eq, das atividades de uso e operação;

Op é o consumo de energia de cada equipamento, em MJ, ou consumo de água, em kg;

n é o número de equipamentos monitorados; e

GWPi, é o GWP específico, em kg CO₂ eq, por unidade funcional.

O software SimaPro foi utilizado para acesso à base de dados e cálculo dos coeficientes de impacto ambiental. A base de dados utilizada foi a Ecoinvent 3.8. A vida útil da edificação adotada foi de 50 anos, referente à fase de operação do edifício. Para cálculo das categorias, o consumo total de energia e água coletado foi somado e multiplicado pelo tempo de vida útil da edificação. Este valor foi então, multiplicado pelo coeficiente de impacto ambiental, resultando nos valores das categorias de impacto ambiental.

Além disso, foi feita a análise dos dados coletados por meio de gráficos e tabelas, utilizando vários instrumentos de análise a fim de encontrar possíveis padrões de comportamento nos resultados e a contribuição para ACV.

Resultados e discussão

Para implementação do sistema IoT no ambiente, foi utilizada a arquitetura IoT orientada a serviços, com 4 camadas, a saber: camada de percepção, camada de dados, camada de serviços e camada de aplicações, conforme explicitado na Figura 2. A camada de percepção é responsável pela coleta de dados. É composta pelos sensores que realizam a coleta e por dispositivos responsáveis pela comunicação dos dados. A camada de dados é responsável pelo armazenamento dos dados coletados na camada de percepção. A camada de serviços é responsável pela análise e avaliação dos dados. A camada de aplicações é responsável principalmente por fornecer dados de avaliação para diferentes usuários, que são as partes interessadas que demandam os serviços da ACV, como: o especialista ACV, pesquisadores, gestores e profissionais da Arquitetura, Engenharia, Construção e Operação (AECO). Nesta implementação, a aplicação foi voltada para os pesquisadores.

Coleta de dados por monitoramento IoT

Dados referentes ao consumo de energia e consumo de água foram coletados a partir de sensores IoT distribuídos pelo laboratório. O posicionamento dos sensores levou em consideração a proximidade com os equipamentos que consomem energia e nos pontos de distribuição de água do laboratório. A localização dos sensores é apresentada na Figura 3.

Inicialmente, os sensores de corrente elétrica utilizados eram do tipo invasivos, modelos ACS712 30A. Por meio dos testes, observou-se um ruído médio de 200mA. Deste modo, eles foram gradualmente substituídos por modelos não-invasivos ZHT103 e ZMCT123A, o que aumentou a precisão dos dados coletados. Tal diferença pode ser observada na Figura 4 para o Compressor de Ar. A partir de 27 de outubro, o sensor instalado neste equipamento passou a ser o ZMCT123A. Os dados coletados antes desta data, foram tratados através da exclusão dos valores de corrente inferiores a 200mA.

Após os testes, para o monitoramento de consumo de energia elétrica, foram utilizados sensores de corrente elétrica, de três tipos: SCT013 (100A: 50mA), ZHT103 e ZMCT123A. Para o monitoramento de consumo de água, foi utilizado o sensor YFS201B, um sensor invasivo de medição do fluxo de água. O procedimento foi feito de forma a facilitar manutenções futuras, com o acompanhamento dos técnicos da manutenção local. A Figura 5 mostra o sensor de fluxo de água instalado na torneira localizada na parte externa do laboratório.

Foram empregados dois tipos de dispositivos de monitoramento, o WATT-METER JE05 e a plataforma com ESP32. O WATT-METER JE05 é uma placa baseada em módulo de Wi-Fi. O ESP32 é um microcontrolador de baixo custo e baixo consumo de energia com Wi-Fi integrado. O dispositivo WATT-METER JE05 permite o monitoramento de várias grandezas elétricas nos equipamentos principais do laboratório, coletando dados de tensão, corrente, fator de potência, potência ativa, reativa e aparente e muito mais. Já o ESP32 foi escolhido em razão da sua compatibilidade com sensores de grandezas diferentes e do seu baixo valor aquisitivo. Portanto, esse dispositivo foi direcionado para monitoramento de consumo energético e consumo de água.

A Figura 6 exemplifica a ligação elétrica dos aparelhos que utilizam o WATT-METER JE05. Ao todo, foram instalados 9 (nove) dispositivos que monitoram os seguintes equipamentos: ares-condicionados, máquinas de ensaio, argamassadeira pequena, betoneira grande, britadeira, retífica e policorte. Todos foram posicionados próximos às respectivas fontes de alimentação dos equipamentos monitorados. Já o ESP32, monitora o consumo de água e outros equipamentos como: luminárias, computadores, peneirador mecânico, moto-esmeril, adensador de argamassa, argamassadeira grande, balanças, betoneira, máquina de bloco, vibrador de agulha etc. O Quadro 1 mostra os sensores e dispositivos conectados a cada ativo, bem como a frequência de coleta do dado.

Quanto às grandezas elétricas monitoradas, os aparelhos montados com ESP32 se limitaram apenas à medição de corrente elétrica (em mA), sendo feita uma estimativa da potência elétrica (em VA) tendo como base a tensão de operação do equipamento. Os dados enviados ao servidor remetem a medição instantânea de corrente e potência do equipamento, portanto para obter o consumo de energia, foi necessário multiplicar o valor de potência ativa registrada pelo tempo decorrido. O cálculo do consumo de energia de cada equipamento está apresentado na Equação 3.

Onde:

Consumo Energia = consumo de energia de cada equipamento (MJ);

V = tensão de operação (V);

i = corrente medida (A); e

t = tempo decorrido (h).

Já os dados referentes ao consumo de água registram a vazão d’água e não o volume consumido. Sendo assim, requereu-se um tratamento de dados, no qual a vazão é multiplicada pelo tempo decorrido para que se possa obter o volume médio de água consumida. Essa limitação é causada pela forma que o ESP32 foi programado: a cada ciclo de medições o dispositivo reinicia, e apaga todos os dados registrados na memória volátil. Isso se faz necessário com a finalidade de eliminar erros de comunicação com o servidor, erros relacionados à queda de energia ou queda de conexão com a internet, o que pode requerer um reset do dispositivo, como foi observado nos testes preliminares.

Os dados coletados pelos sensores foram enviados a um servidor em nuvem por MQTT (Message Queuing Telemetry Transport). Cada dispositivo foi cadastrado na plataforma com ID, usuário e senha MQTT, e seus dados foram organizados dentro de certos canais e métricas de acordo com a natureza da informação enviada. O serviço em nuvem escolhido para o armazenamento dos dados pertence à IoT Konker Platform (Paas), que também armazena os dados do Smart Campus da UNICAMP. A periodicidade de envio dos dados varia conforme o número de sensores monitorados, latências na rede internet, falhas de comunicação, entre outros.

O WATT-METER JE05 e o ESP32 enviam os dados para o mesmo servidor em formato MQTT, organizando as informações dentro das métricas e dos canais, em cada dispositivo. Por exemplo, o WATT-METER JE05 utiliza o canal “energy”, separando os dados coletados nas métricas para cada grandeza monitorada. No ESP32, porém, foram criados vários canais para cada grandeza diferente, com as métricas sendo utilizadas para separar os alvos de monitoramento. Por exemplo, no dispositivo “ESP32_02-FT”, existe o canal “Corrente_[mA]” onde estão dispostas as métricas “Capela_1”, “Capela_2”, e “Capela_3”, que se referem à cada fase da rede elétrica onde está conectado cada sensor de corrente para monitorar a Capela de Exaustão.

Em razão das dimensões do laboratório e de obstáculos entre os dispositivos, foram utilizados 3 pontos de acesso Wi-Fi posicionados de forma distribuída na região do laboratório, com o objetivo de diminuir quedas na comunicação com o servidor. Todavia, como todos os roteadores dependem da rede internet da própria faculdade, manutenções na rede local e outras falhas de comunicação ainda podem resultar na perda dos dados, visto que os aparelhos de monitoramento não armazenam as informações coletadas. Assim, os valores registrados mais confiáveis são aqueles instantâneos, como tensão, corrente, potência e fator de potência, exigindo que esses dados sejam extraídos do servidor e cálculos sejam realizados para a obtenção do consumo.

Análise e Interpretação dos dados coletados por IoT

Os dados coletados foram, inicialmente, pré-processados, através dos processos de limpeza, transformação e redução dos dados. Os dados armazenados no servidor foram recuperados e analisados por meio de programação Python, através do Google Colab.

Para a análise, foram utilizados os dados brutos coletados no período de 01 de janeiro de 2023 a 18 de dezembro de 2023, período no qual quase todos os equipamentos já estavam sendo monitorados. Primeiramente, foi realizado o levantamento da porcentagem de dados coletados por dispositivo do laboratório, como mostrado na Tabela 1. Verificou-se uma média de 82% de dados coletados. Os dados restantes foram perdidos por problemas de comunicação com os dispositivos e latências na rede da internet local. Durante este processo foi possível observar uma maior consistência de operação nos sensores do ESP32 que os sensores JE-05.

A Figura 7 mostra a porcentagem de consumo de energia de cada equipamento. Percebe-se a predominância do consumo de energia devido ao uso dos ares-condicionados (45%), seguido pela estufa (20%) e iluminação (14%).

A predominância de consumo de energia considerando todos os equipamentos do laboratório ocorre às terças e quartas no período da tarde, conforme demonstrado na Figura 8. Ao estender-se esta avaliação para o ano todo (Figura 9), percebe-se um menor consumo durante os meses de agosto e dezembro e um alto consumo durante o mês de março. Tais observações salientam que o monitoramento por IoT pode fornecer dados considerando a variação de uso do ambiente. Estas variações não são captadas nos métodos tradicionais de análise de ACV, nos quais computa os dados como estáticos, sem levar em consideração as variações que ocorrem no ambiente.

Já em relação ao consumo de água do laboratório, a Figura 10 mostra que o consumo é disperso e varia conforme as atividades ocorridas no laboratório em determinado dia. Os dados referentes ao consumo de água interno foram excluídos da análise, pois ocorreram muitas falhas na ligação entre os sensores e os dispositivos de monitoramento. Com isso, muitos dados foram perdidos.

Comparação entre consumo de energia estimado x monitorado por IoT

O cálculo de consumo de energia estimado foi feito a partir da multiplicação da potência nominal dos equipamentos do laboratório pelo seu tempo de uso por dia, em horas. Para obter o tempo de uso semanal de cada equipamento, foram realizadas entrevistas e observação sistemática e não-participante. Os dados de potência foram recolhidos das etiquetas coladas nos equipamentos, informativos na página oficial do fabricante, ou comparativos com equipamentos similares. A tabela 2 apresenta o consumo de energia mensal estimado do laboratório. Ao multiplicar estes valores pelo tempo de vida útil de 50 anos, temos 12.157.732,2 MJ.

Os dados coletados por monitoramento IoT durante o período de 01/01/2023 até 18/12/2023, resultou em um consumo total de energia de 48436,5 MJ. Ao multiplicar este valor pelo tempo de vida útil de 50 anos, obteve-se 2.421.825 MJ. Os resultados das categorias de impacto ambiental calculadas a partir de dados estimados e dados monitorados foram apresentados na Tabela 3.

Na comparação entre os resultados das categorias de impacto ambiental, utilizando dados de consumo de energia estimado e monitorado, verificou-se que os resultados considerando dados estimados foram 464,4% maiores que os impactos considerando dados monitorados. Esse resultado indica que o uso de dados monitorados por IoT têm impacto significativo nos resultados da ACV, podendo fornecer maior precisão à análise.

Conclusão

O principal impacto da mediação da IoT na ACV está no fornecimento de dados mais precisos e consistentes. O cálculo para estimativa dos impactos ambientais de determinada edificação é feito, geralmente, a partir de dados oriundos de bases de referências, que muitas vezes não refletem adequadamente os impactos reais, uma vez que a maioria destas bases são de outras localidades e contextos. A IoT pode, deste modo, fornecer dados temporais, permitindo uma análise mais precisa, uma vez que leva em consideração também possíveis mudanças sazonais que podem ocorrer durante o uso da edificação, como por exemplo a redução do consumo durante o período de férias ou feriados. Esta pesquisa confirmou pesquisas anteriores que afirmaram que o monitoramento por IoT pode trazer maior precisão à ACV por considerar diferentes horizontes de tempo, e assim incorporar à variação no comportamento dos ocupantes, fatores característicos dinâmicos e fatores de ponderação dinâmica. Os resultados indicaram que os impactos ambientais com dados estimados foram 464,4% maiores que os impactos considerando dados monitorados.

O uso de IoT pode auxiliar na obtenção de dados ambientais de forma mais precisa e consistente. A contribuição para o corpo de conhecimento do artigo refere-se à aplicação prática em contexto institucional brasileiro do monitoramento IoT para coleta de dados para ACV, buscando compreender os principais benefícios e desafios desta implementação. Os resultados alcançados nesta pesquisa permitem um avanço na disseminação da tecnologia de IoT para ACV da fase operacional de edificações.

Para implantar um sistema de monitoramento IoT com foco em ACV, a interdisciplinaridade da equipe é um aspecto importante a ser considerado. Para o estudo em questão, houve a necessidade de um especialista ACV, para determinar o objetivo e escopo da ACV, e direcionar a forma de coleta e interpretação dos dados; um responsável pela instalação dos sensores e monitoramento, que inclui o estudo e a adaptação às condições de instalações elétricas do local, dimensionamento dos dispositivos e dos sensores de monitoramento para cada caso, montagem dos circuitos, desenvolvimento de programação e calibração dos aparelhos, configuração da comunicação com o servidor, entre outras necessidades e; um responsável pela análise dos dados, para realizar o processamento dos dados a fim de gerar insights para os usuários. Além da equipe, o ambiente deve dispor ou deve ser instalada infraestrutura mínima para receber a implantação, como disponibilidade de internet estável, rede de wi-fi ou cabo, servidor em nuvem etc. Os sensores e dispositivos instalados necessitam também de manutenção periódica, pois quedas de energia e da rede de internet podem desconfigurar ou queimar os dispositivos, sendo necessária a manutenção ou substituição deles.

Os principais benefícios do monitoramento por IoT referem-se à coleta de dados precisos e em tempo real. Esta característica da IoT permite o fornecimento de dados para ACV considerando a variação de uso do ambiente, uma vez que os métodos tradicionais de análise não consideram estas variações. Outro benefício refere-se à possibilidade de compreensão dos padrões de consumo de energia e água por departamento ou laboratório. Atualmente, a instituição possui apenas um medidor central, que mede o consumo de todo o campus. O laboratório em questão não possui um medidor individualizado.

As principais limitações da pesquisa foram a aplicação em apenas um ambiente de estudo laboratorial e limitações de infraestrutura local, relacionadas à disponibilidade de energia e internet de boa qualidade e intermitente para comunicar os dados. Como estudo futuro, serão aplicadas técnicas de aprendizagem de máquinas (machine learning – ML), a fim de prever o consumo futuro e realizar a ACV do consumo de energia e água operacional. Além disso, sugere-se aplicar o procedimento em outros contextos e tipos de edifícios.

A tecnologia IoT tem o potencial de suplantar e/ou melhorar a avaliação da energia operacional da edificação, podendo auxiliar nas tomadas de decisões estratégicas através dos sistemas de gestão de predial, conhecidos como BMS (Building Management Systems). Entretanto, em contraponto à implantação realizada na presente pesquisa, o BMS necessita de uma equipe especializada, uma vez que é composto por diversos sistemas. O monitoramento por IoT para auxiliar a avaliação do consumo de energia será possível quando os dispositivos já virem com sensores embarcados, o projeto e construção da edificação ou infraestrutura já preveja a inclusão da IoT e a infraestrutura de comunicação seja o suficiente para coletar, comunicar, armazenar e analisar a grande quantidade de dados coletados. Apesar de promissor, o monitoramento por IoT ainda necessita de muitos avanços em abordagens macro para poder ser utilizado de modo mais amplo e eficiente.

Agradecimentos

O presente trabalho foi realizado com apoio da Coordenação de Aperfeiçoamento de Pessoal de Nível Superior – Brasil (CAPES) – Código de Financiamento 001 e Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq – Processo 428604/2018-8.

Referências

Editado por

Datas de Publicação

Histórico