تدوین چارچوب انتخاب سیستم‌های تاسیساتی بهینه براساس شاخص‌های تکنواکونومیک درساختمان ها به کمک الگوریتم‌های یادگیری ماشین

Development of a framework for selecting HVAC systems based on Techno-economic indicators in buildings using machine learning algorithms

در این پژوهش از روش هوش مصنوعی و یادگیری ماشین، شبکه عصبی مصنوعی، با هدف استخراج شاخص‌های عملکردی ساختمان از پایگاه داده‌های شبیه‌سازی شده مورد ارزیابی قرار گرفته است. برای یک تک فضا با کاربری اداری در شهر تهران، پارامترهای ورودی در دو مساحت 120 و 240 متر مربع، شامل، نوع سیستم تأسیسات مکانیکی تهویه مطبوع، مشخصات حرارتی پوسته، نسبت مساحت پنجره به دیوار، جهت‌گیری ساختمان و شاخص‌های مورد مطالعه، در دسته‌های انرژی مصرفی، مقدار کربن انتشار یافته و درصدساعات آسایش می‌باشند. تعداد داده‌های شبیه‌سازی شده در مجموع دو مساحت نام‌برده، 52027 هستند که 80 درصد این داده‌ها جهت یادگیری شبکه و 20درصد جهت آزمون انتخاب شدند. معیار سنجش دقت بهترین مدل شبکه عصبی مصنوعی، در پیش‌بینی داده‌ها در مساحت 120 مترمربع، بالای 0.98 است که برای مساحت 240 مترمربع به طور میانگین برای همه شاخص‌های هدف بالای 0.92 است و بازه مدت زمان یادگیری در محدوده 7 ثانیه تا 619 ثانیه می‌باشد که در مقایسه با زمان شبیه‌سازی داده‌ها، نتایج قابل توجهی هستند.

This study was conducted to develop a framework for selecting HVAC systems based on Techno-economic indicators in buildings using machine learning algorithms based on artificial neural network. For this purpose, artificial neural network has been evaluated with the aim of extracting building performance indicators from simulated databases. For an office building located in Tehran, the input parameters in two area of 120 and 240 square meters, including, HVAC systems, U-values of wall, floor, roof and window, WWR, building orientation were considered, studied indicators are in categories of Energy consumption, the amount of carbon emission and the percentage of hours of comfort. The total number of simulated data in the two mentioned areas are 52027, of which 80% of the data were selected for training and 20% for testing. The prediction accuracy of ANN was improved by changing the number of hidden layers and neurons in each hidden layer. The developed model was able to predict studied indicators with average accuracy of 0.95 based on seven input variables.