ابزار پشتیبان تصمیم گیری برای طراحی ساختمان های مسکونی کم مصرف در مراحل اولیه برنامه ریزی و طراحی

پیش بینی مصرف انرژی ساختمان در مرحله طراحی ضروری است . زیرا به تخمین هزینه های عملیات ساختمان کمک می کند. امروزه بیشتر پیش بینی های فعلی انرژی ساختمان بر روی یک نرم افزار شبیه سازی انرژی ساختمان انجام می شود. چنین نرم افزارهای شبیه سازی معمولا برای انجام محاسبات مهندسی دقیق از پیش برنامه ریزی می شوند. با این حال، به دلیل در دسترس نبودن فاکتورهای ساختمانی دقیق در مرحله طراحی اولیه، نرم افزار شبیه سازی انرژی ساختمان تمایل به ایجاد اختلاف زیادی بین نتایج پیش بینی شده و مصرف واقعی دارد. یادگیری ماشینی یک تکنیک امیدوارکننده در حوزه های طبقه بندی و پیش بینی است. الگوریتم هایی مانند شبکه عصبی مصنوعی (ANN) ، جنگل تصادفی (RF) و ماشین بردار پشتیبانی (SVM) ، به طور گسترده به عنوان ابزارهای پیش بینی در زمینه های مختلف مانند لجستیک، خرده فروش ی، خدمات مالی و مخابرات مورد استفاده قرار گرفته اند . این تحقیق یک رویکرد جدید مبتنی بر الگوریتم های یادگیری ماشین برای کاهش هزینه های انرژی ساختمان ها در حین کار ارائه می کند. این مدل پیش بینی انرژی پیشنهادی چهار الگوریتم شامل رگرسیون چند متغیره (MVR) ، بهینه سازی حداقل متوالی (SMO)و ANN و RF را ترکیب می کند . مدل ساخته شده با الگوریتم ترکیبی، پیش بینی دقیق و سریع مصرف انرژی را ارائه می دهد. با استفاده از این مدل، طراحان می توانند مصرف انرژی جایگزین های مختلف طراحی را در مراحل اولیه طراحی کمی کنند. هزینه های انرژی ساختمان را می توان با انتخاب طرح با حداقل مصرف انرژی در میان گزینه های دیگر کاهش داد. مدل پیش بینی بر اساس مجموعه بزرگی از داده های جمع آوری شده توسط دفتر بهره وری انرژی، منابع طبیعی کانادا، دولت کانادا، توسعه و آزمایش شده است. عملکرد مدل پیشنهادی با مدل های توسعه یافته در ادبیات قبلی مقایسه می شود و کاربرد مدل با استفاده از نمونه های طراحی ساختمان نشان داده می شود.

Keywords:

مصرف انرژی , الگوریتم , شبکه عصبی مصنوعی (ANN) , جنگل تصادفی (RF) , ماشین بردار پشتیبانی (SVM)