4 . بهینه سازی عایق نانو

بر اساس الگوریتم ژنتیک (GA) و مدل یادگیری ماشین، یک روش بهینه‌سازی طراحی چند رشته‌ای (MDO) برای نشان دادن بهترین لایه‌های عایق کارآمد برای ساختمان‌ها معرفی شده است ( قلندری و همکاران، 2022 ، محبیان و ریاحی، 2019 ، ژانگ و همکاران، 2022 ). CO2اثراتی که از مصرف انرژی ساختمان و تولید گاز حاصل از تهیه مصالح ساختمانی به‌عنوان تأثیر محیطی در نظر گرفته می‌شود ( آکان و آکان، 2022 ). به منظور بررسی اثرات زیست محیطی بر اساس عایق، ارزیابی ها با استفاده از محاسبات انرژی بر اساس مدل یادگیری ماشین فوق انجام می شود. میزان انتشار CO ₂ در طول مصرف گاز و برق در ساختمان توسط کد توسعه یافته بر اساس فرمول زیر برآورد شده است ( Uludaş et al., 2022 ):(5)𝐹1=𝑁+𝑡𝐶𝑂2جایی که𝑡مقدار مواد عایق مورد استفاده به عنوان مصالح ساختمانی با ضخامت متغیر است و𝑁اثرات زیست محیطی مصرف برق در یک دوره زمانی خاص است. معیار هزینه چرخه عمر به عنوان یکی دیگر از محدودیت‌های بهینه‌سازی استفاده می‌شود ( Akyüz، 2021 ). این تجزیه و تحلیل سیستمی را بر اساس کل هزینه های گرمایش جمع آوری شده عایق مشخص می کند. هزینه کل ساختمان عایق بندی شده از رابطه زیر محاسبه می شود:(6)𝐹2=𝐶𝐴𝑃𝑃𝑊𝐹+𝐸𝑖𝑡جایی که𝐸𝑖برابر است با هزینه عایق و𝑃𝑃𝑊𝐹. فاکتور ارزش فعلی است.𝑃𝑃𝑊𝐹با نرخ تورم و نرخ سود محاسبه می شود که به ترتیب 10 و 5 درصد در نظر گرفته می شوند. ضخامت بهینه عایق ساختمان با هدف به حداقل رساندن هزینه مورد نیاز عایق و همچنین میزان تولید گاز گلخانه ای با استفاده از تابع هدف زیر تعیین می شود:(7)ObjectiveFunction=𝑊1𝐹1+𝑊2𝐹2+𝑊3𝐹3اینجا،𝑊1،𝑊2، و𝑊3توابع وزنی هستند که مقادیر آنها برای شرایط موجود برابر با 0.5 در نظر گرفته می شود و𝐹3توابع هدف مربوط به مدل ماشین استخراج شده است. با استفاده از کد داخلی، نتایج با تقریب شبکه در هر حلقه مقایسه می شود تا دقت محاسبات ارزیابی شود. مقادیر نسل جدید 45 و 66 عضو در هر نسل اساس روش بهینه‌سازی را تشکیل می‌دهند. مقادیر دقت در هر شبیه سازی کمتر از 0.2 درصد در نظر گرفته می شود. نتایج ارزش تخمینی نتایج در جدول 4 نشان داده شده است .