نمایش چکیده انگلیسی

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

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


زبان مقاله : فارسی
محور مقاله : مهندسی معماری ( کلیه گرایش ها)
محل انتشار : کنفرانس ملی فناوری های معماری و هنر، شهر هوشمند، صنایع نرم وخلاق و فرهنگ فناوری
آدرس وب سایت کنفرانس : icact.ir
کد IOI مقاله : AAHF-ABABEA
لینک مستقیم مقاله : https://isnac.ir/AAHF-ABABEA
نمایش چکیده انگلیسی : https://isnac.ir/SA/AAHF-ABABEA

سایر مقالات محل انتشار
  1. آشنایی با جزئیات سیستم خورشیدی غیر فعال ، حوضچه روی بام در استان خراسان شمالی
  2. مروری بر چارچوب پژوهش در مطالعات ساختار فضایی بافت شهری
  3. هستی‌شناسی رخداد و پروژه شهری: تلفیق دلوز، شاتُلِه، وایتهد و اِستِنگِرز برای خلق فضاهای معناساز
  4. حمل و نقل عمومی و توسعه پایدار شهری
  5. ارزیابی روند خودترمیمی در بتن خودتراکم و مقایسه آن با بتن معمولی
  6. بررسی تأثیر طراحی بهینه وال‌پست و وادار بر دوام، ایمنی و هماهنگی سازه‌ای-معماری در دیوارهای داخلی و خارجی ساختمان ها
  7. واکاوی متغیرهای مؤثر بر مصرف انرژی در تبدیل حیاط مرکزی خانه‌های تاریخی به آتریوم
  8. الگوهای مداخله در بافت فرسوده(مطالعه موردی: محله قطارچیان شهر سنندج)
  9. تأثیر معماری بیزانس بر معماری اسلامی: بازخوانی ریشه ها، اقتباس ها و بازآفرینی ها
  10. طراحی فضاهای شهری تطبیق پذیر با رفتارهای متغیر شهروندان در عصر دیجیتال
  11. زیبایی‌شناسی مقدس در فضاهای متحرک شهری: تحلیل نقش هنر و معماری در تجربه معنوی و روانی مسافران ایستگاه مترو حضرت مریم
  12. A Psychosocial and Financial Analysis of Citizens’ Responses to Deconstructivist Architecture in Iran’s Traditional Urban Contexts: Investigating Risk Perception, Place Attachment, and Investment Behavior
  13. تحلیل بصری پوسترهای جشنواره فیلم فجر در دوره‌های دهم تا سیزدهم
  14. تحلیل بصری پوسترهای جشنواره فیلم فجر در دوره‌های چهاردهم تا هفدهم
  15. تحلیل هندسی محراب‌های مساجد قدیمی تبریز: پیوند فرم و هندسه