نقش هوش مصنوعی و الگوریتمهای بهینهسازی در کاهش مصرف انرژی ساختمان یک مرور نظاممند روایی بر مدلهای یادگیری ماشین و الگوریتم ژنتیک
نقش هوش مصنوعی و الگوریتمهای بهینهسازی در کاهش مصرف انرژی ساختمان یک مرور نظاممند روایی بر مدلهای یادگیری ماشین و الگوریتم ژنتیک
سید کامران یگانگی1 پردیس کوکبی مقدم2
1) .استادیار/ گروه مهندسی صنایع/ واحد زنجان/ دانشگاه آزاد اسلامی/ زنجان/ایران
2) دانشجو کارشناسی ارشد گرایش انرژی /واحد زنجان / دانشگاه آزاد اسلامی زنجان / زنجان / ایران
کد IOI مقاله
:
AAHF-ABABEA
محل انتشار :
کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری (icact.ir)
چکیده :
مصرف انرژی در بخش ساختمان یکی از مهمترین چالشهای جهانی در حوزه توسعه پایدار و مدیریت انرژی است، بهطوریکه حدود ۳۰ تا ۴۰ درصد کل انرژی مصرفی مربوط به ساختمانها است. افزایش تقاضای انرژی، رشد شهرنشینی، و تأثیر تغییرات اقلیمی موجب شده است که بهینهسازی مصرف انرژی ساختمانها به یک ضرورت حیاتی تبدیل شود. روشهای سنتی شبیهسازی فیزیکی مانند انرژیپلاس و TRNSYS اگرچه ابزارهای قدرتمندی برای مدلسازی انرژی هستند، اما در مواجهه با دادههای ناقص، عدم قطعیتهای محیطی، رفتارهای غیرخطی ساکنان و پیچیدگیهای سیستمهای گرمایشی و سرمایشی، محدودیتهای جدی دارند.در سالهای اخیر، هوش مصنوعی—بهویژه یادگیری ماشین—بهعنوان یک رویکرد قدرتمند برای پیشبینی مصرف انرژی و مدلسازی الگوهای رفتاری ساختمانها ظهور کرده است. مدلهایی مانند شبکههای عصبی مصنوعی، ماشین بردار پشتیبان، جنگل تصادفی، ایکسجیبوست و حافظه کوتاهمدت بلند توانستهاند الگوهای پیچیده انرژی را با دقت بسیار بالا استخراج کنند. در کنار این پیشرفتها، الگوریتمهای تکاملی مانند الگوریتم ژنتیک، الگوریتم ژنتیک مرتبسازی غیرغالبشده دوم، بهینهسازی ازدحام ذرات و بهینهسازی ازدحام ذرات چندهدفه بهطور گسترده برای بهینهسازی طراحی ساختمان، پارامترهای پوسته، سایهبانها، نسبت پنجره به دیوار، مصالح و تجهیزات سیستمهای گرمایشی، سرمایشی و تهویه مطبوع به کار گرفته شدهاند و در بسیاری از مطالعات کاهش انرژی بین ۱۰ تا ۴۰ درصد گزارش شده است.این مطالعه با استفاده از رویکرد مرور ترکیبی (مرور نظاممند ترکیبی + روایی) و با تحلیل ۱۵ مقاله فارسی و ۱۲ مقاله انگلیسی معتبر، به بررسی و مقایسه عملکرد مدلهای یادگیری ماشین، الگوریتم ژنتیک و مدلهای ترکیبی یادگیری ماشین + الگوریتم ژنتیک میپردازد. نتایج نشان میدهد که مدلهای یادگیری ماشین با دقت 0.85 تا 0.99، الگوریتم ژنتیک با کاهش انرژی ۱۰ تا ۴۰ درصد، و مدلهای ترکیبی با بالا بردن دقت و کاهش خطا، بهترین عملکرد را دارند.این مرور شکافهای مهمی مانند نبود داده لحظهای واقعی، محدودیت در مدلسازی رفتار ساکنان، محدودیتهای محاسباتی الگوریتم ژنتیک و کمبود مطالعات صنعتی ترکیبی را شناسایی کرده و مسیرهای آینده شامل استفاده از دوقلوی دیجیتال، هوش مصنوعی قابل توضیح، یادگیری تقویتی و توسعه مدلهای یکپارچه پیشبینی–بهینهسازی را پیشنهاد میدهد.
کلمات کلیدی : هوش مصنوعی یادگیری ماشین الگوریتم ژنتیک انرژی بهینه سازی