27 جولای 2021، توسط مگان کاکس، دانشگاه لاگبورو اعتبار: دامنه عمومی Pixabay / CC0
در زمانی که انگلستان در تلاش است تا سال 2050 به کربن صفر خالص برسد، محاسبه به موقع و دقیق بهره‌وری انرژی یکی از مولفه‌های اساسی فرآیند طراحی ساختمان‌های جدید و بازسازی شده است.
دانشمندان کامپیوتر در دانشگاه Loughborough با همکاری مشاوره مهندسی چند رشته‌ای، Cundall، همکاری کرده‌اند تا یک سیستم هوش مصنوعی ایجاد کنند که می‌تواند میزان انتشار آلاینده‌های ساختمان (BER) – مقدار مهمی را که برای محاسبه عملکرد انرژی ساختمان – در ساختمان‌های غیر خانگی استفاده می‌شود، پیش‌بینی کند.
انجام این کار با روش‌های فعلی ممکن است ساعت‌ها تا چند روز طول بکشد و با درج دستی صدها متغیر تولید می‌شود.
دکتر جورجینا کوزما و دانشجوی کارشناسی ارشد کریم احمد، از دانشکده علوم، یک مدل هوش مصنوعی را برای پیش‌بینی مقادیر BER با 27 ورودی با دقت طراحی کرده و آموزش داده‌اند.
بهتر از این، مدل پیشنهادی هوش مصنوعی – که با حمایت رئیس تحقیق و نوآوری Cundall، ادوین ویلند ایجاد شده و با استفاده از داده‌های مقیاس بزرگ به دست آمده از ارزیابی عملکرد انرژی دولت انگلیس آموزش دیده است – می‌تواند تقریباً بلافاصله یک مقدار BER تولید کند.
دکتر کوزما می‌گوید این تحقیق اولین قدم مهم در جهت استفاده از ابزارهای یادگیری ماشین برای پیش‌بینی انرژی در انگلیس است و نشان می‌دهد که چگونه داده‌ها می‌توانند فرآیندهای فعلی در صنعت ساخت و ساز را بهبود بخشند.
بنابراین، BER چیست و چرا مهم است؟
برای درک اهمیت BERها، ابتدا باید در مورد گواهینامه‌های عملکرد انرژی (EPC) بحث کنیم.
در انگلیس، EPC باید هر زمان که یک ساختمان فروخته می‌شود، اجاره می‌شود یا احداث می‌شود، تکمیل شود. این شاخص بهره‌وری انرژی ساختمان را ارائه می‌دهد، که حاوی اطلاعاتی در مورد هزینه‌های انرژی معمولی ساختمان است و روش‌هایی را برای صرفه‌جویی در مصرف انرژی بیشتر پیشنهاد می‌کند.
یکی از مفیدترین مقادیر برگردانده شده، امتیاز دارایی است – عددی که یک درجه بندی کلی انرژی برای یک ساختمان را ارائه می‌دهد و برای سهولت در تفسیر، عدد باند می‌شود A + به G و با رنگ کدگذاری می‌شود.
با این حال، تولید این درجه بندی می‌تواند روندی کند باشد زیرا محاسبه به میزان انتشار ساختمان (BER) نیاز دارد – که همانطور که گفته شد، تولید آن بسته به پیچیدگی ساختمان ممکن است ساعت‌ها تا روزها طول بکشد.
مدل هوش مصنوعی
در آخرین مقاله خود، دکتر کوزما و تیمش نشان داده‌اند که سیستم هوش مصنوعی آن‌ها می‌تواند در کمتر از یک ثانیه و با کمتر از 27 متغیر با کمبود دقت در تولید BER برای ساختمان‌های غیر خانگی – این روند بسیار سریع‌تر و کارآمد باشد.
آن‌ها از الگوریتم ماشینی «درخت تصمیم» استفاده کردند و سیستم را با استفاده از 81137 رکورد داده واقعی که حاوی اطلاعاتی برای ساختمان‌های غیر خانگی در کل انگلیس از 2010 تا 2019 است، ساخته و اعتبار سنجی نمود. داده‌ها حاوی اطلاعاتی مانند ظرفیت ساخت، مکان، گرمایش، روشنایی خنک‌کننده و فعالیت بودند.
این تیم بر محاسبه نرخ ساختمان‌های غیر خانگی – مانند مغازه‌ها، دفاتر، کارخانه‌ها، مدارس، رستوران‌ها، بیمارستان‌ها و موسسات فرهنگی – متمرکز بودند، زیرا این ساختمان‌ها از نظر مصرف انرژی از ناکارآمدترین ساختمان‌ها در انگلستان هستند، بنابراین درک چگونگی بهبود کارایی آن‌ها می‌تواند در فرایندهای طراحی و نوسازی مفید باشد.
یافته‌های پروژه در سمپوزیوم فنی مهندسی خدمات ساختمانی (CIBSE) 2021 ارائه شد و مقاله در اواخر سال جاری در وب سایت CIBSE منتشر خواهد شد.
دکتر کوزما اظهار داشت: «مطالعاتی درباره کاربردهای یادگیری ماشینی در پیش‌بینی انرژی ساختمان‌ها وجود دارد، اما این موارد محدود است، و تنها 8٪ از کل ساختمان‌ها را تشکیل می‌دهد، در حالی‌که ساختمان‌های غیر خانگی 20٪ از کل CO2 انگلیس را تشکیل می‌دهند.
ادوین ویلند از كوندال ادامه داد: «در نهایت، ما امیدواریم كه بتوانیم با استفاده از روش‌های توسعه یافته در این پروژه، میزان واقعی مصرف انرژی عملیاتی را پیش بینی كنیم. با پیش‌بینی سریع و دقیق مصرف انرژی و انتشار گازهای گلخانه‌ای در ساختمان‌های غیر خانگی، می‌توانیم انرژی خود را بر روی مهم‌ترین وظیفه – کاهش مصرف انرژی و رسیدن به کربن خالص صفر متمرکز کنیم.»
