نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

10 فروردین 1403 12:28 ق.ظ

یادگیری ماشین ممکن است در ساخت مدل های انرژی نقش داشته باشد

7 آوریل 2023 – توسط رایان رندال، موسسه فناوری فلوریدا-دیوارهای شیشه ای راهرو را در مرکز فارغ التحصیلان Folliard ردیف کرده اند. اعتبار: موسسه فناوری فلوریدا

بیش از 40 درصد از کل مصرف انرژی ایالات متحده و انتشار گازهای گلخانه ای مربوط به بخش ساختمان است. مطالعه ای از محققان فناوری فلوریدا در حال بررسی است که آیا یادگیری ماشینی می تواند به کاهش این تأثیر زیست محیطی کمک کند یا خیر.

این تحقیق در مقاله‌ای با عنوان «رویکردی جدید برای بهینه‌سازی مدل‌های انرژی ساختمان با استفاده از الگوریتم‌های یادگیری ماشین» در نسخه ژانویه مجله Energies منتشر شد. این مطالعه که توسط حمیدرضا نجفی، دانشیار مکانیک و مهندسی، و بنجامین کوبویمانا، فارغ التحصیل کارشناسی ارشد مهندسی مکانیک، هر دو از فناوری فلوریدا نوشته شده است، از رویکرد جدیدی برای مدل‌سازی انرژی ساختمان (BEM) و بهینه‌سازی مدل‌های انرژی ساختمان استفاده می‌کند.

روش فعلی برای ابزارهای نرم‌افزاری شبیه‌سازی انرژی ساختمان، مستلزم وارد کردن دستی فهرست‌های بزرگی از ورودی‌های دقیق است – متغیرهای طراحی و عملیاتی، از جمله ویژگی‌های ساختمان مانند دیوار، پوشش ساختمان و مصالح پنجره، یا پارامترهای عملیاتی، مانند دمای نقطه تنظیم. برای مناطق مختلف حرارتی

نجفی گفت: وقتی صحبت از بهینه سازی BEM ها می شود، به دلیل تعداد زیاد متغیرهای درگیر در BEM و امکان توسعه BEM با هزاران یا میلیون ها ترکیب مختلف از این متغیرها، بسیار چالش برانگیز است. “دستیابی به یک طراحی واقعاً بهینه برای یک ساختمان مستلزم ارزیابی همه این پارامترهای طراحی/عملیاتی ممکن است که از نظر محاسباتی بسیار پرهزینه است و اغلب ممکن نیست.”

کار نجفی و کوبویمانا شامل توسعه یک اسکریپت نرم‌افزاری به زبان پایتون است که اجازه ورود خودکار داده‌ها را به ابزار شبیه‌سازی انرژی ساختمان مبتنی بر فیزیک به نام EnergyPlus می‌دهد. با استفاده از یک سری از متغیرها به عنوان ورودی از طریق این اسکریپت پایتون، تنوع زیادی از پارامترهای متعدد پوشش داده می‌شود که در نتیجه مجموعه داده‌های بزرگی ایجاد می‌شود که می‌توانند برای توسعه یک مدل شبیه‌سازی انرژی جایگزین استفاده شوند.

سپس یک مدل داده محور با استفاده از الگوریتم های یادگیری ماشین، به ویژه شبکه های عصبی مصنوعی، با استفاده از این مجموعه داده ها آموزش داده می شود. دو رویکرد بهینه‌سازی – الگوریتم ژنتیک و بهینه‌سازی بیزی – بر روی مدل جایگزین برای دستیابی به طراحی بهینه برای ساختمان اعمال می‌شوند. رویکرد را می توان به راحتی برای در نظر گرفتن پارامترهای طراحی یا عملیاتی مختلف تنظیم کرد.

نجفی گفت: «این فرآیند می‌تواند خودکار باشد، بنابراین داده‌های حسگرهای موجود در ساختمان را می‌توان در مدل‌های رایانه‌ای عرضه کرد تا تطبیق مداوم دوقلو دیجیتال با شرایط فعلی ساختمان تسهیل شود.» “این می تواند به مالک ساختمان کمک کند تا بر اساس تغییراتی که ممکن است در پارامترهای عملیاتی رخ دهد، میزان مصرف انرژی را پیش بینی کند. این امکان برنامه ریزی مناسب بودجه برای هزینه انرژی و پیش بینی مصرف انرژی و تولید انرژی را به عنوان کاهش تولید CO2 مرتبط با صرفه جویی در انرژی فراهم می کند..”

این مطالعه بخشی از یک تلاش گسترده تر برای بهبود BEM ها و گسترش کاربردهای آنها بود BEM. های پیشرفته را می توان به عنوان دوقلوهای دیجیتالی ساختمان ها استفاده کرد و نه تنها قبل از ساخت، بلکه در طول عمر ساختمان نیز ارزشی برای مالکان و توسعه دهندگان فراهم می کند. این مطالعه در ژورنال ASME Engineering for Sustainable Buildings and Cities در دسامبر 2022 منتشر شد.

“در این مطالعه با یکی از دانشجویان دکترا، ماریانا میگلیوری، تاثیر COVID-19 بر عملکرد انرژی ساختمان‌ها و چگونگی تطبیق BEMها برای دقیق ماندن در صورت تغییر در شرایط عملیاتی را بررسی کردیم. ما یک مطالعه موردی را بر اساس داده‌هایی که از مرکز فارغ‌التحصیلان فولیارد فناوری فلوریدا جمع‌آوری کردیم و همچنین مدل‌های مبتنی بر فیزیک که قبلاً برای ساختمان ایجاد کرده بودیم، انجام دادیم و توانستیم یک مدل مبتنی بر داده ایجاد کنیم که می‌تواند با شرایط عملیاتی با توجه به وضعیت COVID-19 با افزایش ساعات کار برای سیستم‌های HVAC و تغییر در برنامه زمان‌بندی اشغال شرایط جدید سازگار شود..»

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *