پیاده سازی مدل پیش بینی یادگیری عمیق هزینه چرخه عمر (LCC) بر اساس گزینه های ساختاری ساختمان برای ساختمان های صنعتی

ساختمان های صنعتی به دلیل هزینه های بالای بهره برداری، نگهداری و تاثیرات زیست محیطی، نیازمند روش های دقیق و سریع برای برآورد هزینه چرخه عمر (LCC) هستند. در این پژوهش، با هدف ارزیابی و انتخاب بهترین ساختار برای ساختمان های صنعتی، مدلی مبتنی بر یادگیری عمیق (DBN) توسعه داده شده است. این مدل با استفاده از داده های حاصل از مطالعات پیشین و آموزش روی یک مجموعه داده بزرگ، قادر به پیش بینی دقیق LCC برای گزینه های مختلف ساختاری و پوششی است. نتایج حاصل از هفت مورد تحقیقاتی نشان دهنده دقت بالای مدل در پیش بینی LCC است. همچنین، با مقایسه سه نوع قاب ساختاری اصلی (بتن مسلح، بتن پیش ساخته/پیش تنیده و فولاد)، مشخص شد که قاب های بتن پیش ساخته/پیش تنیده به دلیل امکان استفاده مجدد از بخش های جدا شده، بهترین گزینه از نظر هزینه چرخه عمر هستند.

کلیدواژه ها:

هزینه چرخه عمر (LCC) ، یادگیری عمیق ، مدل پیش بینی ، شبکه باور عمیق (DBN) ، ماشین بولتزمن محدود (RBM)