بررسی پارامترهای موثر معماری در مصرف انرژی ساختمانهای مسکونی با استفاده از ابزار یادگیری ماشین و یادگیری عمیق

این پژوهش با استفاده از ابزار یادگیری ماشین و یادگیری عمیق، میزان بار سرمایشی و گرمایشی ساختمانهای مسکونی را پیشبینی میکند. در سالهای اخیر نگرانیها در خصوص عدم تامین انرژی مورد نیاز مصرف کنندگان خانگی و همچنین واحدهای صنعتی و تجاری بیشتر شده است. علاوه بر آن طبق آمارهای منتشر شده، امروزه در کشور ایران میزان مصرف انرژی و هدررفت آن بیشتر از میانگین جهانی بوده و این امر اهمیت اتخاذ تصمیمهای مناسب برای جلوگیری از هدررفت آن را بیش از پیش برجسته میکند. یکی از راه های جلوگیری از هدررفت انرژی در ساختمانها، طراحی معماری اصولی آنهاست. در این پژوهش با در نظر گرفتن متغیرهای معماری تاثیرگذار بر مصرف انرژی ساختمان، علاوه بر پیشبینی بار سرمایی و گرمایی آنها و همچنین مقایسه بین مدلهای مختلف، با استفاده از نتایج مدل رگرسیون خطی به پیشنهاداتی راجع به نحوه طراحی معماری سازه ها، جهت کاهش هدررفت و مصرف انرژی در ساختمانهای مسکونی پرداخته شده است. یافته های این پژوهش حاکی از دقت بیشتر مدلهای یادگیری عمیق در پیشبینی دو متغیر هدف میباشند. همچنین در مقایسه با دیگر الگوریتم های یادگیری ماشین بهترین دقت را XG Boost داشته است و پس از آن دو الگوریتم درختهای اضافی۱و جنگل تصادفی ۲در رده های بعدی قرار میگیرند. علاوه بر این نتایج مدل یادگیری عمیق ارائه شده در این پژوهش در مقایسه با مدلهای قبلی این حوزه از دقت بالاتری برخوردار است. در نهایت دیگر یافته این پژوهش نشان میدهند بیشترین تاثیر را بر هدررفت انرژی (بدون در نظر گرفتن مساحت نورگیر یک ساختمان) متغیر فشردگی نسبی برای انرژی گرمایی، و متغیر ارتفاع کلی برای انرژی سرمایی داشتهاند. نتایج این پژوهش کمک شایانی به طراحان و سیاستگذاران این حوزه در زمینه صرفه جویی انرژی خواهدکرد.

Keywords:

Heating Load , Cooling Load , Deep Learning , Machine Learning , Green Building Design