فراتحلیلی بر استفاده از ابزار یادگیری ماشین آماری جهت تخمین کمی دقیق از عملکرد انرژی ساختمان های مسکونی

شهاب الدین سیاه پشت¹

1) دکتری مهندسی معماری، دانشگاه آزاد اسلامی، واحد تهران جنوب، تهران، ایران،

کد IOI مقاله : XHFC-KCKCF
محل انتشار : ششمین کنفرانس بین المللی و هفتمین کنفرانس ملی عمران، معماری، هنر و طراحی شهری(7iccacs.ir)
چکیده :
    یادگیری ماشینی (به انگلیسی: Machine learning) یا اِم‌اِل (اختصاری ML)، مطالعه الگوریتم‌ها و مدل‌های آماری مورد استفاده سیستم‌های کامپیوتری است که به‌جای استفاده از دستورالعمل‌های واضح، از الگوها و استنباط برای انجام وظایف استفاده می‌کنند. یادگیری ماشینی علمی است که باعث می‌شود رایانه‌ها بدون نیاز به یک برنامه صریح در مورد یک موضوع خاص یاد بگیرند. به عنوان زیر مجموعه‌ای از هوش مصنوعی، الگوریتمهای یادگیری ماشینی یک مدل ریاضی بر اساس داده‌های نمونه یا داده‌های آموزش به منظور پیش‌بینی یا تصمیم‌گیری بدون برنامه‌ریزی آشکار، ایجاد می‌کنند. ساختمان ها مصرف کننده 40% از انرژی اولیه در جهان می باشند و تقریباً انتشار دهنده یک سوم از گازهای گلخانه ای (GHG) نیز هستند. پیش بینی میزان مصرف انرژی در آینده برای مدیریت بهینه تامین و مصرف انرژی در این حوزه از اهمیت بسیاری برخوردار است. علاوه بر آمادگی و برنامه ریزی برای مدیریت میزان تقاضای انرژی می توان عوامل مؤثر بر میزان مصرف انرژی را شناسایی و با ارائه راهکارهای معمارانه در جهت کاهش این عوامل در ساختمان های مسکونی اقدام نمود. پیش بینی میزان مصرف انرژی بسیار چالش برانگیز است زیرا اغلب از الگوهای غیرخطی پیچیده پیروی می کند و همچنین دارای متغیرهای تأثیرگذار مختلفی از جزئیات فیزیک ساختمان، رفتار ساکنین و تجهیزات گرمایشی و سرمایشی می باشد، ازاین رو تکنیک های پیش بینی آماری سنتی برای دستیابی به پیش بینی های دقیق انرژی بسیار ضعیف عمل می کنند. در سال های اخیر قدرت ودقت محاسبات پیچیده و تحلیل داده های واقعی با استفاده از یادگیری ماشین (Machine Learning) بهبود یافته است. بسیاری از تکنیک های یادگیری ماشین قادر به تحلیل الگوهای غیرخطی داده ها هستند که این امر موجب تهیه مدل مناسبی برای پیش بینی مصرف انرژی می شود. ما یک چارچوب یادگیری ماشین آماری به منظور بررسی اثر هشت متغیر ورودی (فشردگی نسبی، مساحت سطح، سطح دیوار، منطقه(مساحت) سقف، ارتفاع کلی، جهت گیری، منطقه جداره، توزیع مساحت جداره) بر دو متغیر خروجی، یعنی بار گرمایشی (HL ) و بار خنک کننده (CL) از ساختمان های مسکونی را توسعه داده ایم. ما به طور سیستماتیک قدرت ارتباط هر متغیر ورودی با هر یک از متغیرهای خروجی را با استفاده از انواع ابزار تجزیه و تحلیل آماری کلاسیک و غیر پارامتری، به منظور شناسایی متغیرهای ورودی به شدت مرتبط را بررسی می کنیم. سپس، یک رویکرد کلاسیک رگرسیون خطی در مقابل حالتی قدرتمند از هنر روش غیر پارامتری غیر خطی، جنگل تصادفی، به منظور برآورد HL و CL مقایسه می کنیم. شبیه سازی های گسترده ای در 768 ساختمان مسکونی متنوع نشان می دهد که می توانیم HL و CL را با میانگین انحراف خطای مطلق کم از راستی آزمایی زمین که با استفاده از Ecotect (بترتیب 0.51 و 1.42) بنا نهاده شده را پیش بینی کنیم. نتایج حاصل از این مطالعه امکان استفاده از ابزار یادگیری ماشین به منظور برآورد پارامترهای ساختمان به عنوان یک روش مناسب و دقیق را حمایت می کنند، تا زمانی که سوالات خواسته شده به داده هایی که واقعا در وهله اول برای آموزش مدل ریاضی استفاده شده است، شباهت داشته باشد.

کلمات کلیدی : کنتور هوشمند ساختمان ارزیابی انرژی بار گرمایش بار خنک کننده آمار غیر پارامتری یادگیری ماشین آماری