Abstract
A energia geotérmica superficial é uma fonte promissora de energia renovável, proporcionando soluções sustentáveis para o aquecimento e resfriamento de edificações. Exemplos disso são os Trocadores de Calor Solo-Ar (TCSA), que utilizam ventiladores de baixa potência para circular o ar por dutos subterrâneos, reduzindo o consumo de energia de sistemas convencionais de ar-condicionado. A eficiência dos TCSA depende de dados sobre as temperaturas do ar e do solo, obtidos por meio de modelagem matemática e técnicas de inteligência artificial. Esses modelos, inspirados no funcionamento do cérebro humano, são capazes de aprender padrões complexos em grandes volumes de dados. A previsão de séries temporais é essencial para a análise de dados, pois envolve sequências coletadas ao longo do tempo, permitindo identificar padrões e prever eventos futuros. Com o avanço da aprendizagem profunda, modelos como Redes Neurais Recorrentes (RNN) e Long Short-Term Memory (LSTM) têm superado métodos tradicionais na modelagem de dependências temporais em dados sequenciais. Este estudo busca prever o comportamento das temperaturas do ar e do solo em Rivera (Uruguai), utilizando dados coletados entre julho de 2023 e abril de 2024 por um sistema de monitoramento remoto, em parceria com a Universidad Tecnológica del Uruguay (UTEC). São avaliadas, em particular, as técnicas de LSTM e Regressão Linear para prever e recuperar dados de temperatura ausentes devido a falhas nos sensores ou manutenção. Os resultados indicam que ambas as técnicas recuperam os dados de forma satisfatória, sendo a LSTM a mais precisa nos casos testados.