قطعات بخش
مدل جنگل تصادفی
مدل RF بیش از حد مناسب نیست و توانایی تعمیم قوی در هنگام پردازش داده های با ابعاد بالا دارد. بنابراین، RF یک مدل پیشبینی مؤثر است [52]، [53]. برای معیار تابع ناخالص، ویژگی با حداقل میانگین مربعات خطا (MSE) را می توان برای تقسیم گره ها برای مشکلات رگرسیون انتخاب کرد:V*=argmini∑(Xi-X¯i)2ncکه در آن V* ویژگی تقسیم بهینه است،ncتعداد نمونه است،XIمقدار نمونه ویژگی ورودی i استخراج شده است وX¯Iمیانگین نمونه است
روش شناسی
روش خاص در شکل 2 نشان داده شده است. ابتدا، مدل مصرف انرژی ساختمان BIM-DB مبتنی بر گروه شبیه سازی طراحی آزمایشی متعامد اعمال می شود. ساختمان ها و شبیه سازی ها از طریق DB انجام می شود و سپس مجموعه داده های شبیه سازی شده LCCE، EC و PMV به دست می آید. مدل RF برای بیان غیرخطی بودن بین عوامل تأثیرگذار و اهداف پاسخ، ایجاد یک مدل پیشبینی با دقت خوب به عنوان تابع تناسب برای بهینهسازی پارامتر استفاده میشود. GWO
پس زمینه پروژه
MOO ساختمان آموزشی جدید دانشگاه علم و فناوری Huazhong در این مقاله مورد بررسی قرار گرفته است. زمین 11573 متر مربع است، در حالی که ساختمان 33350 متر مربع مساحت دارد. نسبت قطعه 1.217 و کل مساحت ناخالص سازه 40318 متر مربع است. ساختمان آموزشی جدید دارای اسکلت بتن آرمه و در مجموع پنج طبقه است. ارتفاع هر طبقه 4.2 متر و زیرزمین پدافند هوایی غیرنظامی در قسمتی 3.9 متر است. ساختمان 23.1 متر است
تایید اثر بهینه سازی چند هدفه
در این بخش، ما بهینهسازی تک هدفه را با MOO مقایسه میکنیم تا برتری روش MOO را بیشتر نشان دهیم. سه بهینه سازی تک هدفه NSGA-II با LCCE، EC و PMV به عنوان هدف انجام شده است، و همانطور که در جدول 12، جدول 13 نشان داده شده است، نتایج با نتایج MOO و استراتژی اصلی در تضاد هستند. نتیجه گیری ها به شرح زیر است:
(الف) از طریق استفاده از مدل RF-NSGA-II، تک هدفه و MOO ممکن است LCCE گیگابایت را تا حد معینی کاهش دهند.
نتیجه گیری و کار آینده
در این مقاله، یک چارچوب MOO مبتنی بر BIM، الگوریتم هوشمند RF-NSGA-II پیشنهاد شده است. این چارچوب می تواند هزینه های CE و چرخه عمر را کاهش دهد و در عین حال آسایش حرارتی را با بهینه سازی پارامترهای طراحی پوشش ساختمان و سیستم تهویه مطبوع افزایش دهد. این مدل عمدتا شامل سه جنبه زیر است: (1) استفاده از BIM برای انجام مدلسازی سه بعدی GB و به دست آوردن مجموعه داده های نمونه از طریق شبیه سازی ساختمان. (2) پیش بینی ساختمان LCCE، EC و PMV و
Leave A Comment