کاربرد الگوریتم های یادگیری ماشین در تحلیل و بهینه سازی عملکرد انرژی ساختمان های سبز در اقلیم های مختلف

در این پژوهش، کاربرد الگوریتم های یادگیری ماشین در تحلیل و بهینه سازی مصرف انرژی ساختمان های سبز در اقلیم های مختلف مورد بررسی قرار گرفت. چهار نمونه ساختمان با کاربری ها و موقعیت های اقلیمی متفاوت (گرم و خشک، معتدل، سرد و مرطوب، و گرم و مرطوب) انتخاب و با استفاده از الگوریتم هایی نظیر شبکه عصبی مصنوعی (ANN)، ماشین بردار پشتیبان (SVM)، درخت تصمیم و جنگل تصادفی، مدل سازی مصرف انرژی آن ها انجام شد. نتایج مدل سازی نشان داد که الگوریتم جنگل تصادفی با ضریب تعیین ۰.۹۱ و دقت ۹۲.۵ درصد، بهترین عملکرد را در پیش بینی مصرف انرژی ارائه داد. همچنین، تحلیل ضرایب اهمیت ویژگی ها در مدل جنگل تصادفی نشان داد که دمای روزانه، تابش خورشیدی و رطوبت نسبی تاثیرگذارترین عوامل اقلیمی بر مصرف انرژی هستند. شبیه سازی سناریوهای بهینه سازی نیز نشان داد که ترکیب راهکارهای عایق بندی، به کارگیری پنجره های کم تاب و بهینه سازی سیستم های گرمایش و سرمایش با استفاده از الگوریتم های یادگیری ماشین، می تواند تا ۳۴ درصد کاهش مصرف انرژی را به همراه داشته باشد. یافته ها حاکی از آن است که الگوریتم های یادگیری ماشین می توانند به عنوان ابزاری موثر در طراحی، ارزیابی و مدیریت انرژی ساختمان های سبز در اقلیم های گوناگون به کار روند و نقش کلیدی در توسعه پایدار و بهینه سازی مصرف انرژی ایفا کنند.

کلیدواژه ها:

یادگیری ماشین ، بهینه سازی انرژی ، ساختمان سبز ، اقلیم های مختلف