یک مدل پیش بینی آسایش حرارتی جدید مبتنی بر یادگیری عمیق با استفاده از پارامترهای محیطی و شخصی

ساختمان ها ۳۰ درصد از کل دی اکسید کربن منتشر شده از مصرف انرژی را تولید می کنند. طراحی ساختمان با کمترین تلفات انرژی و تامین آسایش حرارتی فضاهای داخلی با حداقل مصرف انرژی، روشی موثر برای کاهش مصرف انرژی است. پیشرفت های اخیر در هوش مصنوعی تخمین دقیقی از سطح آسایش حرارتی ساختمان ها ارائه می دهد که به طور قابل توجهی بر عملکرد سیستم های کنترل هوشمند و بهینه سازی ساختمان ها تاثیر می گذارد. روش های مبتنی بر یادگیری عمیق، بهبود عملکرد قابل توجهی را در پیش بینی آسایش حرارتی نشان داده اند. این مقاله یک مدل مبتنی بر یادگیری عمیق ارائه می دهد که سطح آسایش حرارتی یک ساختمان را با استفاده از عوامل محیطی و شخصی پیش بینی می کند. انتخاب ویژگی یک مرحله ضروری در یادگیری ماشین است که می تواند دقت را افزایش دهد. بنابراین، برای مرحله انتخاب ویژگی، این مطالعه ابتدا ماتریس همبستگی به دست آمده از داده های اشری[۱] را محاسبه و تجزیه و تحلیل کرد که منجر به انتخاب چهار پارامتر محیطی (دمای هوا، میزان رطوبیت، متوسط دمای تابشی، سرعت هوا) و دو عامل شخصی نرخ پوشش ونرخ فعالیت متابولیکی شد. سپس، یک مدل پیش بینی سطح آسایش حرارتی با تکنیک مبتنی بر یادگیری عمیق توسعه داده شد. نتایج ارزیابی بر اساس مجموعه داده های اشری نشان داد که مدل پیشنهادی در تمام معیارهای پیش بینی بهتر از روش های یادگیری ماشین مرسوم عمل می کند.۱.     Ashrae

کلیدواژه ها:

آسایش حرارتی ، یادگیری عمیق ، بهینه سازی مصرف انرژی ، پارامترهای حرارتی محیطی