چکیده
طراحی ساختمان سبز تلاش می کند تا با پیش بینی دقیق و بهینه سازی عملکرد ساختمان در چندین فاکتور، کارایی انرژی، کاهش انتشار گازهای گلخانه ای، مقرون به صرفه بودن و آسایش حرارتی را بهینه کند. این مطالعه یک چارچوب پیش‌بینی و بهینه‌سازی چندهدفه را برای ساختمان‌های سبز با استفاده از مدل‌سازی اطلاعات ساختمان-طراحی ساز (BIM-DB)، جنگل تصادفی بیزی (Bayesian-RF) و الگوریتم ژنتیک مرتب‌سازی غیرمسلط III (NSGA-III) پیشنهاد می‌کند. در مرحله اول، BIM-DB برای شبیه سازی ساختمان و تست های متعامد برای تولید نمونه های داده استفاده می شود. در مرحله دوم، مدل Bayesian-RF بر روی مجموعه داده آموزش داده شده است تا عملکرد ساختمان را پیش بینی کند. در نهایت، مدل پیش‌بینی برای ایجاد تابع تناسب برای بهینه‌سازی NSGA-III استفاده می‌شود، که راه‌حل بهینه را برای مشکل ساختمان سبز چندهدفه شناسایی می‌کند. مطالعه موردی طراحی ساختمان سبز یک ساختمان آموزشی نشان می‌دهد که: (1) آزمایش‌های شبیه‌سازی ساختمان متعامد مبتنی بر BIM-DB به طور کارآمد مجموعه داده‌های نمونه ساختمان را تولید می‌کنند. (2) روش Bayesian-RF دقت پیش‌بینی را با مقادیر MSE زیر 0.08 و R2 بالای 0.85 برای هر سه هدف پیش‌بینی بهبود می‌بخشد . (3) الگوریتم بهینه سازی Bayesian-RF-NSGA-III مصرف انرژی ساختمان مورد را تا 7.68 درصد، انتشار کربن را تا 6.48 درصد، هزینه را تا 1.77 درصد کاهش می دهد و راحتی حرارتی کلی را بهبود می بخشد. این چارچوب مرجع ارزشمندی برای تنظیم پارامترهای ساختمان و تسهیل بهینه‌سازی چندهدفه در طراحی ساختمان سبز مشابه ساختمان‌های موردی فراهم می‌کند.
مقدمه
در چند دهه گذشته، به دلیل رشد جمعیت، شهرنشینی سریع و افزایش تقاضای اجتماعی، مشکلات افزایش مصرف منابع، مصرف بالای انرژی و آلودگی بالا به وجود آمده است [1]. بیش از 30 درصد از این موارد مربوط به صنعت ساختمان است و این مسائل می تواند منجر به آسیب های زیست محیطی و هدر رفتن منابع شود [2]. همانطور که توسط کشورها و محققان مختلف پیشنهاد شده است، صنعت ساختمان باید در جهت صرفه جویی در انرژی و پایداری توسعه یابد. تئوری ساختمان سبز به عنوان یک جهت حیاتی برای پیشرفت توسعه پایدار صنعت ساخت و ساز ظاهر شده است و توجه گسترده ای را به خود جلب کرده است [4]. استانداردهای ارزیابی ساختمان سبز در حال حاضر در کشورهای مختلف وجود دارد [5]، به عنوان مثال، استاندارد ارزیابی ساختمان سبز چین، استاندارد ارزیابی ساختمان سبز GB/T50378-2019 [6] است، استاندارد ارزیابی ساختمان سبز در ایالات متحده LEED (رهبری در طراحی انرژی و محیط زیست)، استاندارد ارزیابی ساختمان سبز در بریتانیا (استاندارد ارزیابی ساختمان سبز Enbliment BREEStaam است. روش) [7]، استاندارد ارزیابی ساختمان سبز ژاپن CASBEE (سیستم ارزیابی جامع برای کارایی محیطی ساختمان) [8]، استاندارد ارزیابی ساختمان سبز آلمان DGNB (Deutsche Gesellschaft für Nachhaltiges Bau) است [9]. بیشتر معیارهای ارزیابی در کشورهای مختلف، مطالعه ساختمان های سبز جدید است و به ندرت بهینه سازی طراحی ساختمان سبز ساختمان های موجود انجام می شود.
یکی از اهداف اصلی ساختمان های سبز دستیابی به پایداری محیطی است [10]. با کاهش مصرف انرژی و انتشار کربن، ساختمان ها می توانند تاثیر خود را بر تغییرات آب و هوایی جهانی کاهش دهند و به حفاظت از منابع طبیعی و اکوسیستم ها کمک کنند [11]. با این حال، ساختمان‌های سبز اغلب به سرمایه‌گذاری اولیه بالاتری نیاز دارند، مانند سیستم‌های HVAC با کارایی بالا، پنل‌های خورشیدی و مواد عایق بهتر. در عین حال، به منظور کاهش مصرف انرژی، ممکن است لازم باشد مقداری آسایش از جمله کاهش استفاده از تهویه مطبوع، کاهش شدت روشنایی و غیره را قربانی کنیم که ممکن است بر آسایش و رضایت ساکنان یا کاربران تأثیر بگذارد [12]. بنابراین می توان آن را در طراحی سبز ساختمان مشاهده کرد، به حداقل رساندن انتشار کربن، مصرف انرژی و هزینه ها، و به حداکثر رساندن آسایش حرارتی اهداف مهم اما متناقض هستند. عوامل متعددی بر ساختمان‌های سبز تأثیر می‌گذارند که به طور قابل توجهی بر عملکرد آنها تأثیر می‌گذارد [13]. اساس طراحی بهینه سازی ساختمان، در نظر گرفتن همه جانبه این عوامل تاثیرگذار است. در حال حاضر، بیشتر مطالعات بر کاهش مصرف انرژی و انتشار کربن ساختمان ها متمرکز است، اما عوامل دیگری مانند هزینه و آسایش نیز باید در کاربرد عملی ساختمان های سبز در نظر گرفته شوند.
بنابراین، چالش در تعیین کارآمد طرح طراحی بهینه برای دستیابی به بهینه‌سازی چند هدفه نهفته است. برای دستیابی به کاهش مصرف انرژی ساختمان و انتشار کربن و در عین حال کاهش هزینه‌ها و بهبود آسایش حرارتی کلی، این مقاله به طور جامع مسئله بهینه‌سازی چند هدفه آن را در نظر می‌گیرد و یک روش یادگیری ماشین ترکیبی مبتنی بر جنگل تصادفی بیزی (RF) و NSGA-III را پیشنهاد می‌کند. سپس، این روش برای مطالعه موردی بهینه‌سازی طراحی ساختمان سبز ساختمان‌های موجود اعمال می‌شود که کاربرد و امکان‌سنجی روش بهینه‌سازی چند هدفه را تأیید می‌کند.
هدف این مقاله بررسی سوالات کلیدی زیر است: (1) چگونه می‌توانیم به بهینه‌سازی چندهدفه ساختمان‌های سبز با در نظر گرفتن عواملی مانند مصرف انرژی، انتشار کربن و آسایش حرارتی دست یابیم؟ (2) چه رویکردهایی را می توان برای ساخت یک مدل پیش بینی با دقت بالا که رابطه پیچیده این پارامترها را نشان می دهد استفاده کرد؟ (3) چگونه می توان تابع تناسب یک الگوریتم بهینه سازی را برای اطمینان از موفقیت و پایداری الگوریتم به طور مؤثر بدست آورد؟
به طور کلی، ساختار این مطالعه به شرح زیر است: بخش 1 پیشینه جامعی از تحقیقات مربوط به این مقاله را ارائه می دهد. بخش 2 مروری جامع از مطالعات مربوطه ارائه می دهد. بخش 3 دانش نظری پایه مربوط به این مطالعه را ارائه می‌کند، از جمله مروری بر فرآیند به دست آوردن یک مجموعه نمونه از طریق شبیه‌سازی ساختمان BIM-DB و فرآیند ساخت یک مدل بهینه‌سازی چندهدفه با استفاده از الگوریتم Bayesian-RF-NSGA-III را توصیف می‌کند. بخش 4 مطالعه موردی یک طراحی بهینه را بررسی می کند. بخش 5 نتایج بهینه سازی هدف ارائه شده در بخش 2 بررسی مقاله، 3 روش شناسی و تفاوت های آنها را مورد بحث قرار می دهد. بخش 6 نتایج این مقاله را خلاصه می کند و راه های بالقوه برای تحقیقات آینده را تشریح می کند.
قطعات بخش
داده های شاخص مصرف انرژی ساختمان سبز
عملکرد ساختمان ها تحت تأثیر عوامل مختلفی از جمله ساختار پوشش [14]، مقیاس ساختمان، طرح ساختمان و آب و هوای منطقه است [15]. در یک مطالعه بهینه سازی چندهدفه عملکرد ساختمان سبز، به دست آوردن مجموعه داده های دقیق برای عوامل و پارامترهای تاثیرگذار مربوطه مهم است [16]. از لحاظ تاریخی، هم روش‌های شبیه‌سازی فیزیکی و هم روش‌های مبتنی بر داده معمولاً استفاده می‌شوند. رویکرد داده محور
بهینه سازی بیزی
به منظور افزایش دقت پیش‌بینی، تنظیم پارامترهای یک مدل با مقادیر مناسب بسیار مهم است. با افزایش پیچیدگی الگوریتم های یادگیری، روند غالب در توسعه به سمت الگوریتم های بهینه سازی فراپارامتر خودکار تغییر کرده است [57]. در این میان، روش‌های پرکاربرد شامل جستجوی شبکه‌ای (GS) و جستجوی تصادفی (RS) است. اگرچه روش GS با کاوش ترکیبی از فراپارامترها به تنظیم خودکار دست می یابد، اما نمی تواند به طور موثر برخی از پارامترها را حل کند.
نمای کلی پروژه
- 1پس زمینه پروژه
“ساختمان دوازدهم غربی” در پردیس اصلی دانشگاه در ووهان، استان هوبی واقع شده است و در سال 2002 تکمیل و شروع به کار کرد. ساختمان دوازدهم غربی در مجموع دارای پنج طبقه است و طول آن 177 متر، عرض 64.6 متر و ارتفاع آن 24 متر است. ارتفاع طبقه 4.2 متر، مساحت زمین 33350 متر مربع، مساحت بنا 40318 متر مربع و زیر بنا 11573 متر مربع می باشد. نسبت قطعه 1.21 و تراکم ساختمان 0.347 است. این بود
مقایسه روش های مختلف
به منظور تأکید بر مزایای روش بهینه‌سازی فراپارامتر بیزی، مدل RF بدون بهینه‌سازی هایپرپارامتر، GS-RF، RS-RF و Bayesian-RF برای آموزش و پیش‌بینی با استفاده از داده‌های عملکرد ساختمان یکسان انتخاب شده‌اند. نمودار تیلور، نمایش داده شده در شکل 7، نتایج پیش بینی شده هر مدل را نشان می دهد. علاوه بر این، جدول 10 مقادیر R 2 پیش بینی شده توسط چهار مدل را به همراه زمان جستجوی فراپارامتر برای هر مدل ارائه می دهد.
نتایج پیش بینی
نتیجه گیری
یک مجموعه داده با کیفیت بالا از طریق شبیه‌سازی‌های BIM-DB به‌دست آمد، که امکان ایجاد یک مدل پیش‌بینی عملکرد ساختمان بسیار دقیق را فراهم کرد. تابع تناسب اندام از این رابطه پیچیده مشتق شده است که اثربخشی فرآیند بهینه سازی را تضمین می کند. سپس از الگوریتم بهینه‌سازی چندهدفه NSGA-III برای بهینه‌سازی عملکرد ساختمان استفاده شد. طرح طراحی پارامتر ساختمان بهینه از مجموعه راه حل بهینه پارتو با استفاده از روش نقطه ایده آل به دست آمد.
Leave A Comment