یکی از دلایل اصلی اختلاف عملکرد بین کاربری مورد نظر ساختمان و عملکرد واقعی، اتلاف حرارت است که کارایی پوشش ساختمان را در شرایط در حال استفاده توصیف می کند. در این تنظیمات،ANNاستفاده از مدل ها برای تجزیه و تحلیل انرژی ساختمان های سبز تثبیت شده است. هدف این تحقیق پیش‌بینی اتلاف حرارت ساختمان‌های سبز با استفاده از دو روش مبتنی بر شبکه عصبی مصنوعی (ANN) است. به طور خاص، TLBO و BBO مورد استفاده قرار می گیرند و در مقابل هم قرار می گیرند. علاوه بر این، RMSE، MAE و R2 برای محاسبه خطای مطلق برای پیش‌بینی تلفات حرارتی برای سنجش دقت یافته‌ها استفاده می‌شوند. استاندارد پیشنهادی TLBO-MLP یک روش قابل اعتماد با نتیجه مثبت است (RMSE = 0.01012 و 0.05216، و R2 = 0.99536 و 0.9651). همچنین، با توجه به محدوده خطای آموزشی [-0.0006078، 0.01133] و [-0.00040708، 0.010181] و محدوده خطای تست [0.0004724، 0.068666] و [0.0020.0-ML] و [0.0020.01984، B ly، نشان می دهد که TLBO-MLP به محدوده خطای پایین‌تری می‌رسد و می‌تواند تلفات حرارتی را با دقت بالاتری پیش‌بینی کند و می‌تواند اتلاف حرارتی فناوری‌های ساختمان را به درستی پیش‌بینی کند. با این حال، استاندارد BBO-MLP این تحقیق را با عملکرد رضایت بخشی ارائه می کند (R2 = 0.9943 و 0.95175، و RMSE = 0.01122 و 0.06112). برای افزایش دقت محاسبه تلفات حرارتی ساختمان ها، به طور خاص ادغام آنها با الگوریتم های بهینه سازی، مطالعه بیشتر مورد نیاز است.