خلاصة:
مصرف انرژی در بخش ساختمان ها به ویژه در ساختمان های مسکونی به دلیل توسعه اجتماعی و شهرنشینی، بیشترین سهم را در بین کلیه بخش های مصرف به خود اختصاص داده است . از فاکتورهای تعیین کننده ی میزان مصرف انرژی در ساختمان می توان به شرایط آب و هوایی و اقلیمی محل احداث ساختمان ، مواد و مصالح بکار رفته در پوسته و جداره های خارجی ساختمان ، نوع معماری و سازه ساختمان ، تاسیسات مرکزی ساختمان (گرمایش ، سرمایش ، تهویه مطبوع و روشنایی)، لوازم و تجهیزات مصرف کننده (لوازم برقی و تجهیزات اداری ) اشاره نمود. ازاین رو استفاده بهینه و ممانعت از هدر رفتن امکانات و گام برداشتن در جهت صرفه جویی و افزایش کارایی ساختمان ، امری اساسی است . داده های بزرگ ، منابع محاسباتی قدرتمند و مقرون به صرفه و الگوریتم های پیشرفته یادگیری ماشین در دهه های گذشته مورد تحقیق در بخش ساختمان ها بوده اند و پتانسیل خود را برای افزایش کارایی ساختمان نشان داده اند. اخیرا، هوش مصنوعی و به طورکلی تکنیک های یادگیری ماشین به طور خاص در پیش بینی و عملکرد انرژی ساختمان نقش موثری داشته و به همین ترتیب می توانند در بحث مصرف انرژی ، مدیریت ، صرفه جوییتر مصرف و در نهایت ایجاد راحتی و آسایش نقش بسزایی داشته باشند. هدف از این پژوهش ، شناسایی ابزارهای هوش مصنوعی و کاربرد آن ها در بررسی مصرف انرژی می باشد.
ملخص الجهاز:
دو دسته اصلي از روش هاي پيش بيني مبتني بر هوش مصنوعي ، يعني روش هاي پيش بيني منفرد و روش هاي پيش بيني 1Artificial Neural Networks (ANN) 2 Support Vector Machine (SVM) 3 Singel Model 4 Ensemble Model 12 عنوان پژوهش نتيجه پژوهش گروه مورد بحث و مقايسه قرار ميگيرند.
اين مقاله مروري اساسي بر روي چهار رويکرد اصلي يادگيري ماشين از جمله شبکه عصبي مصنوعي ، يادگيري ماشين براي تخمين مصرف انرژي و ماشين بردار پشتيبان ، رگرسيون هاي مبتني بر گاوس و خوشه بندي ارائه مي کند که معمولا در عملکرد ساختمان :مروري( .
استفاده از روش مبتني بر هوش مصنوعي در مرحله طراحي ساختمان دشوار است زيرا براي آموزش مدل پيش بيني به داده هاي عملکرد تاريخي ساختمان احتياج دارد.
٣-٢- انواع بسياري از الگوريتم هاي يادگيري مبتني بر هوش مصنوعي و مدل هاي پيش بيني ، براي پيش بيني مصرف انرژي ساختمان ها استفاده مي شود.
مدل هاي منفرد بهترين انتخاب براي کاربران مبتدي است که از مدل هوش مصنوعي در پيش بيني مصرف انرژي ساختمان ها استفاده مي کنند.
هم چنين انتخاب داده هاي ورودي که داراي همبستگي زيادي مي باشند، براي پيش بيني استفاده از انرژي ساختمان مبتني بر هوش مصنوعي بسيار مهم است .
2018 ديگر الگوريتم هاي بالقوه مورد استفاده در زمينه پيش بيني انرژي ساختمان ، درخت تصميم گيري ، جنگل تصادفي (به تصویر صفحه رجوع شود) است ( Yu et ;٢٠١٢ Tsanas and Xifara ;٢٠١٨ Singaravel, Suykens, and Geyer ;٢٠١٤ Cheng and Cao ٢٠١٠ .