پیشبینی مصرف انرژی ساختمان با استفاده از شبکه عصبی پرسپترون چندلایه
Publish place: 6th Conference on Emerging Trends in Energy Conservation
Publish Year: 1395
Type: Conference paper
Language: Persian
View: 1,196
This Paper With 13 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
ETEC06_229
Index date: 2 August 2017
پیشبینی مصرف انرژی ساختمان با استفاده از شبکه عصبی پرسپترون چندلایه abstract
مصرف انرژی ساختمان مسکونی از لحاظ استفاده و کارایی انرژی مورد توجه است. میزان مصرف انرژی ساختمان ها در کشورهای توسعه یافته حدودا یک سوم از کل میزان انرژی مصرف را شامل میشود و این میزان مصرف انرژی در ایران حدود 40 در صد از کل میزان م صرف انرژی را در برمیگیرد. از همین رو پیشبینی م صرف انرژی ساختمانها به عنوان چال شی در دهه های اخیر مطرح شده ا ست. مدل سازی م صرف انرژی در ساختمانهای م سکونی با پی شرفتهایی که در زمینه محاسبات و شبیه سازی بوجود آمده به امری ممکن بدل شده و یکی از این پیشرفتهای چشمگیر، پیدایش هوش مصنوعی در توسعه مدلهای آماری است. مطالعات نشان میدهد که روش شبکه عصبی مصنوعی میتواند برای پیشبینی رفتار غیر خطی م صرف انرژی ساختمان به کار گرفته شود. در این مدل، متغیرهای اقلیمی به عنوان ورودی و م صرف انرژی ساختمان به عنوان متغیر خروجی ه ستند. شبکه در نرم افزار متلب ساخته شد و با الگوریتم لونبرگ-مارکوارت و الگوریتم تکاملی ازدحام ذرات آموزش دیده شد. نتایج نشان میدهد که شبکه عصبی به خوبی توانایی تخمین انرژی مصرفی ساختمان ها را دارد. با استفاده از ترکیب الگوریتمهای تکاملی و الگوریتمهای رایج مثل پس انتشار خطا میتوان به نتایج بهتری دست یافت.
پیشبینی مصرف انرژی ساختمان با استفاده از شبکه عصبی پرسپترون چندلایه Keywords:
پیشبینی مصرف انرژی ساختمان با استفاده از شبکه عصبی پرسپترون چندلایه authors
ابوالفضل خوش طینت
کارشناس ارشد، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
اندیشه شیعه بیگی
استادیار، گروه مهندسی انرژی، دانشکده محیط زیست و انرژی، دانشگاه آزاد اسلامی واحد علوم و تحقیقات
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :