Abstract:
تاکنون توصیه های دقیقی برای مهندســان معمار جهت تعیین ابعاد مناسب پنجره با رویکرد کاهش مصرف انرژی برای فضاهای آموزشــی ارائه نشده است. برای آنکه طراحان فضاهای آموزشــی به دوراز محاسبات هزینه بر و وقت گیر شبیه سازی انرژی قادر به تعیین ســطح مناســب پنجره و یا حداقل اولویت بندی گزینه های ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعی ســاختاری جدید ارائه شده است که می تواند هزینه انرژی را در مدت بهره برداری از یک کلاس درس استاندارد، به عنوان مهم ترین بخش فضای آموزشــی، پیش بینی نماید. بدین منظور، 288 سناریوی نورگیری شبیه سازی شده و نتایج حاصله برای آموزش شبکه عصبی مصنوعی استفاده شده است. آزمون های شبکه آموزش نشان می دهد که ساختار پیشنهادی به خوبی می تواند جایگزین مدل شبیه ساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس می تواند هزینه مصرف گاز و الکتریسیته را در مدت بهره برداری با دقت بسیار خوبی پیش بینی نماید.
Size of classroom’s windows has significant effects on both comfort level of users and electricity consumption for
lighting. Moreover, windows are the main source of energy loss in classrooms in both cooling and heating sectors.
Considering the large number of educational
buildings and long life cycle of such them, choosing proper window size is crucial for energy saving in sustainable
architectural design. Despite the role that windows have in energy consumption, the literatures are surprisingly
limited in providing detailed recommendations for architects in determining the appropriate window size in different
climates. Therefore, energy based window design has always been complicated for architects due to the number
of involved different components and variables. In order to help the architectural designers, in this paper a new
methodology is developed using a well-known artificial intelligence technique. In the proposed methodology, a
predictive model for energy consumption cost in terms of window to wall ratio (WWR) and the window facing was
created using Artificial Neural Network (ANN). The methodology consisted of a limited sets of direct numerical
energy simulations for any specific climatic zone to generate the data required for training the ANN. The DOE-2is
suggested in the proposed methodology for direct numerical energy simulations of the daylighting scenarios required
for training the ANN. The DOE-2 is a popular and powerful computational model developed with financial support
of U.S. department of energy. The trained ANN-based model provides a fast and convenient way of comparing the
different daylighting scenarios in designing stage. Indeed, further calculations for direct energy simulations are not
necessary and an architect can readily utilize the trained ANN-based model as a powerful tool for forecasting the
total energy consumption cost. In order to show the applicability and performance of the proposed approach, 288
daylighting scenarios for a standard classroom in a warm and dry climate, Shiraz-Iran, were simulated to determine
the corresponding electric and gas consumption. A square classroom of side 7.4 m is the standard classroom defined
by Iranian Organization for Renovating, Developing and Equipping Schools. The DOE-2 is utilized for simulating the
defined standard classroom in the study area for estimating the annual gas and electric consumption of the generated
scenarios over a 50 years period. Included daylighting scenarios were randomly split into train and test sets. In this
study, around 80 percent of data were used for training, and the rest were used to evaluate the performance of the
trained ANN. The best training and learning functions for different number of layers and neurons was determined in
a trial-error process. Correlation Coefficient (CC), Mean square error (MSE) and Root mean square error (RMSE)
are the statistical indices used for training procedure. The best results were obtained with 2 hidden layers and 6
neurons per layer. The 'Levenverg-Marquardt back propagation (trainlm)' and 'perceptron weight and bias learning
function (learnp)' were the best training functions found for this research. The results show that the trained ANN can
accurately predict the total energy consumption cost (RMSE=0.0811, MSE=0.0066, and CC=0.9672).
Machine summary:
برای آنکه طراحان فضاهای آموزشی بهدوراز محاسبات هزینهبر و وقتگیر شبیهسازی انرژی قادر به تعیین سطح مناسب پنجره و یا حداقل اولویتبندی گزینههای ممکن نورگیری باشند، در تحقیق حاضر بر پایه هوش مصنوعی ساختاری جدید ارائهشده است که میتواند هزینه انرژی را در مدت بهرهبرداری از یک کلاس درس استاندارد، بهعنوان مهمترین بخش فضای آموزشی، پیشبینی نماید.
آزمونهای شبکه آموزش نشان میدهد که ساختار پیشنهادی بهخوبی میتواند جایگزین مدل شبیهساز مصرف انرژی گردد و طراح تنها با مشخص نمودن جهت نورگیری و نسبت سطح پنجره به سطح دیوار کلاس میتواند هزینه مصرف گاز و الکتریسیته را در مدت بهرهبرداری با دقت بسیار خوبی پیشبینی نماید.
آرگیریو2و همکاران یک کنترلکننده گرمای مبتنی بر شبکه عصبی مصنوعی ارائه نمودند که قادر است مقدار انرژی لازم برای تأمین دمای مناسب ساختمان را بر اساس وضعیت آب و هوایی تعیین نماید (Argiriou et al.
نتایج این تحقیق نشان میدهد که هر سه شبکه عصبی به کار گرفتهشده با دقت بسیار خوبی قادر به پیشبینی مصرف انرژی لازم برای گرمایش هستند (Jovanovic et al.
نتایج تحقیق دب9 و همکاران نشان میدهد که شبکه عصبی مصنوعی با دقت بسیار خوبی قادر است مصرف انرژی روزانه بار سرمایش ساختمانها را تعیین کند (Deb et al.
این مدل که توسط آزمایشگاه لارنس برکلی11 در سال 1983 با حمایت مالی دپارتمان انرژی آمریکا تولیدشده است تاکنون توسط محققین متعدد نظیربودارت12 و دهرد13(Bodart& De Herde 2002)، لم14 و همکاران (Lam et al.