سعید الماسی - دانشجوی کارشناسی ارشد، گروه مهندسی صنایع، واحد نراق، دانشگاه آزاد اسلامی، نراق، ایران
حسین بیکی - استاد، گروه مهندسی صنایع، واحد نراق، دانشگاه آزاد اسلامی، نراق، ایران

موسسه بین المللی انرژی برآورد کرده که ساختمان های مسکونی و تجاری ۴۰% انرژی جهان را مصرف می کنند و ۲۴ درصد دی اکسید کربن را منتشر می کنند. پارامترهای طراحی و مکان ساختمان، تاثیر زیادی بر مصرف انرژی دارند. هدف این پژوهش، بررسی ضریب های مدل خطی برای کشف رابطه میان پارامترهای ساختمانی و سطوح مختلف بازدهی انرژی برای بار گرمایش و سرمایش است که با بررسی ضریب های مدل و ایجاد رابطه میان پارامترهای ساختمانی ورودی و پنج سطح بازدهی انرژی برای بارهای گرمایش و سرمایش انجام شد. در این پژوهش، با استفاده از برنامه های هوش مصنوعی مانند هوش مصنوعی قابل توضیح و یادگیری ماشین ، ویژگی های مهم ساختمانی که مصرف انرژی را کاهش می دهند شناسایی شد. ویژگی های مختلف ساختمان، موثر بر مصرف انرژی برای تعیین اهمیت نسبی آنها مورد تجزیه و تحلیل قرار گرفت. سه مجموعه داده به نام های پیمایش مصرف انرژی ساختمان تجاری ، مجموعه داده بازدهی انرژی دانشگاه ایروین کالیفرنیا و داده های بار تجاری بکار گرفته و از پایتون و وکا استفاده شد. با استفاده از جنگل تصادفی، رگرسیون خطی، شبکه های بیزین و رگرسیون لجستیک، مصرف انرژی پیش بینی و از آزمون های آماری مانند آزمون مجموع رتبه ویلکوکسون برای بررسی اختلاف های قابل توجه میان مجموعه داده های خاص استفاده شد و یک کتابخانه پایتون به نام شاپاش نمودارهای مهم مشخصه را ایجاد کرد. نتایج نشان داد روزهای نیازمند سرمایش، مهم ترین مشخصه در پیش بینی بار سرمایش با سهم مقداری ۳۴. ۲۹% (۲۰۱۸) و ۱۹. ۶۸% (۲۰۱۲) بوده است. همچنین محل ساختمان با حاشیه خطای ۰. ۰۵ بر مصرف انرژی تاثیرگذار است.

هوش مصنوعی، تکنولوژی، بهینه سازی، مصرف انرژی، محیط زیست، ساختمان.