مدلسازی مصرف انرژی در ساختمان به کمک روش یادگیری عمیق

  • سال انتشار: 1404
  • محل انتشار: دومین کنفرانس ملی مهندسی زیرساخت ها
  • کد COI اختصاصی: NCIE02_091
  • زبان مقاله: فارسی
  • تعداد مشاهده: 68
دانلود فایل این مقاله

نویسندگان

سلمان ملکی

دانشجوی دکتر، گروه مهندسی عمران، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

توحید پوررستم

دانشیار مدیریت ساخت، گروه مهندسی عمران، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

محسن جعفری ندوشن

استادیار مدیریت ساخت، گروه مهندسی عمران، واحد تهران مرکزی، دانشگاه آزاد اسلامی، تهران، ایران.

چکیده

مدیریت مصرف انرژی در ساختمانها به دلیل نقش کلیدی آن در کاهش هزینه ها و اثرات زیست محیطی، از اهمیت ویژه ای برخوردار است. این مطالعه به بررسی کاربرد یادگیری عمیق با تمرکز بر شبکه های عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM) و سیستم استنتاج فازی-عصبی تطبیقی (ANFIS) در بهینه سازی مصرف انرژی ساختمانها می پردازد. در این راستا، یک مدل ترکیبی پیشنهاد شده که قادر به پیش بینی مصرف انرژی، طبقه بندی وضعیت بارهای الکتریکی و تنظیم هوشمند سیستم های گرمایش، سرمایش و تهویه (HVAC) است. داده های ورودی شامل دما، رطوبت، مصرف برق و تعداد ساکنان بوده و خروجی ها با استفاده از معیارهایی نظیر میانگین مربعات خطا، دقت و ضریب تبیین ارزیابی شدند. نتایج نشان داد که ANN با ضریب همبستگی ۰.۹۱ در پیش بینی مصرف، SVM با دقت ۸۹% در طبقه بندی بارها و ANFIS با ضریب همبستگی ۰.۹۱ در تنظیم HVAC عملکرد مطلوبی دارند. منحنی های آموزشی نیز حاکی از یادگیری موثر و تعمیم پذیری بالا مدل ها بودند. این رویکرد ترکیبی می تواند به عنوان راهکاری کارآمد برای مدیریت هوشمند انرژی در ساختمانها مورد استفاده قرار گیرد. در نهایت برای بهبود عملکرد این دو شبکه با یکدیگر ترکیب شده و کد ترکیبی نشان از کارایی روش یادگیری عمیق دارد. افزایش ضریب همبستگی به ۹۸/۰ اهمیت این روش را نشان داده است.

کلیدواژه ها

مدلسازی, مصرف انرژی, شبکه SVM, شبکه ANFIS

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.