طراحی سامانه های پیش بینی رفتار حرارتی پوسته های معماری خورشیدی با استفاده از معماری عصبی پیچشی (CNN) در اقلیم های متغیر

با توجه به اهمیت فزاینده بهره وری انرژی در معماری پایدار و نقش اساسی پوسته های ساختمان در تبادل حرارتی با محیط پیرامون، پیش بینی دقیق رفتار حرارتی پوسته های خورشیدی در شرایط اقلیمی متغیر، به ویژه در مناطق با نوسانات دمایی شدید، ضرورتی حیاتی یافته است. در این راستا، پژوهش حاضر به طراحی یک سامانه هوشمند پیش بینی رفتار حرارتی بر پایه معماری عصبی پیچشی (Convolutional Neural Network - CNN) می پردازد که توانایی تحلیل و مدل سازی الگوهای غیرخطی تبادل حرارت را در پوسته های معماری داراست.در این پژوهش، از داده های محیطی اقلیم های گوناگون (نظیر دما، تابش خورشیدی، رطوبت و سرعت باد) به عنوان ورودی های مدل استفاده شده و عملکرد حرارتی پوسته های مختلف خورشیدی در بازه های زمانی مختلف تحلیل گردیده است. شبکه CNN طراحی شده با هدف شناسایی الگوهای پنهان در داده های اقلیمی و پیش بینی دقیق میزان تبادل حرارت از طریق مصالح مختلف پوسته، آموزش دیده است. نتایج به دست آمده نشان می دهد که مدل پیشنهادی قادر است با دقت بالا، نوسانات حرارتی را پیش بینی کرده و به عنوان ابزار تصمیم یار در طراحی سامانه های تهویه غیرفعال، انتخاب مصالح و بهینه سازی معماری خورشیدی ایفای نقش نماید.علاوه بر این، قابلیت تعمیم مدل به شرایط اقلیمی متفاوت و کارایی آن در سازگاری با تغییرات اقلیمی بلندمدت نیز بررسی شده است. یافته ها نشان می دهد که به کارگیری CNN در پیش بینی رفتار حرارتی، می تواند شکاف موجود میان طراحی معماری و تحلیل داده محور اقلیمی را پر کرده و به معماران، طراحان انرژی و متخصصان اقلیم، ابزار نوینی برای ارتقای کیفیت طراحی های اقلیمی ارائه دهد.

کلیدواژه ها:

معماری خورشیدی ، رفتار حرارتی پوسته ساختمان ، شبکه عصبی پیچشی (CNN) ، اقلیم متغیر ، بهره وری انرژی ، شبیه سازی هوشمند ، طراحی پایدار ، پیش بینی حرارتی ، مصالح هوشمند ، معماری اقلیمی