برای رسیدگی به تغییرات آب و هوایی، بیش از 120 کشور متعهد به دستیابی به انتشار خالص صفر شده اند و بسیاری از کشورها برای بی طرفی کربن تلاش می کنند [1]، [2]، [3]. بخش ساختمان و معماری مسئول بخش قابل توجهی، تقریباً 30 تا 40 درصد از مصرف جهانی انرژی و انتشار کربن (CE) است [4] (Liu et al., 2020). به منظور کاهش اثرات زیست محیطی مرتبط با ساختمان ها، ترویج و اجرای ساختمان های سبز (GB) به طور فعال در بسیاری از کشورها دنبال شده است [5]، [6]. با این حال، مطالعات تجربی نشان داده‌اند که GB، در عمل، عملکرد کربن‌زدایی برتر یا سایر مزایای زیست‌محیطی را در مقایسه با ساختمان‌های معمولی نشان نداده است [7]. برای غلبه بر این چالش، تمرکز بر پیش‌بینی عملکرد کربن زدایی و بهینه‌سازی در مرحله طراحی بسیار مهم است [8]. با انجام این کار، کاستی های مرتبط با GB را می توان به طور موثر برطرف کرد. مطالعات موجود در مورد پیش‌بینی و دسترسی کربن‌زدایی GB را می‌توان به بخش‌های زیر قطع کرد.

ارتباط بین مصرف انرژی و عوامل طراحی به منظور بررسی دستاوردهای کربن زدایی معماری و در نتیجه بهینه سازی طراحی معماری ترسیم شده است [9]، [10]. گان و همکاران [11] مصرف انرژی را بر اساس پارامترهای پوشش ساختمان پیش بینی کرد و دریافت که پس از دوبرابر شدن مساحت سقف و نصف شدن ارتفاع ساختمان، مصرف انرژی 31.27 کیلووات ساعت کاهش یافت. جدا از مصرف انرژی و CE، درک عملکرد زیست محیطی GB نیز مهم است [12]. در نتیجه، مطالعات بر روی MOO در مرحله طراحی انجام می شود. به عنوان مثال، یو و همکاران. [13] یک مدل بهینه سازی چندهدفه غیر معمول برای طراحی GB برای کاهش مصرف انرژی و کربن زدایی به طور موثر ارائه کرد. گان و همکاران [11] تحقیقات شبیه‌سازی و بهینه‌سازی در مصرف انرژی ساختمان (BEC) در کل چرخه عمر را برای کاهش BEC مورد بررسی انتقادی قرار داد. با این حال، علاوه بر صرفه جویی در انرژی و کاهش انتشار کربن، هزینه اقتصادی (EC) و آسایش حرارتی نیز عوامل کلیدی هستند [14]. به ویژه، سرمایه گذاری اقتصادی بر روی مواد و اجزاء، هزینه های اولیه را تعیین می کند و پذیرش واقعی تکنیک های GB را محدود می کند [15]. طراحی پوشش های ساختمان و سیستم های AC نه تنها باید عملکرد انرژی و کربن را بهینه کند، بلکه هزینه و آسایش حرارتی را نیز بهینه کند [16].

با توجه به ساختمان برنامه ریزی شده، BEC واقعی نمونه اولیه از پایه بهینه سازی طراحی به دست آمده است [17]. با این حال، انطباق صحیح عناصر متعدد و نگاشت غیرخطی آنها با استفاده از تکنیک های تجربی چالش برانگیز است [18]. بنابراین، یافتن راهی سریع و کارآمد برای به دست آوردن مجموعه‌ای از آمار مصرف انرژی از ساختمان‌های مختلف بسیار مهم است. برای MOO GB، روش های متداول برای به دست آوردن مجموعه نمونه داده های BEC شامل روش آماری [19] و شبیه سازی نرم افزاری [20] است، اما نیاز به کار زیادی دارد. در مقابل، روش شبیه سازی نرم افزاری می تواند به طور قابل توجهی سرعت محاسبات را بهبود بخشد و تنوع داده ها را غنی کند [21]. نرم افزار شبیه سازی DesignBuilder (DB) را می توان در تمام مراحل یک پروژه استفاده کرد و DB به طور گسترده برای توابع شبیه سازی کامل آن استفاده شده است [22]. به عنوان مثال، Avendano-Vera و همکاران. از DB برای شبیه سازی اینرسی حرارتی مصالح ساختمانی در مناطق مختلف آب و هوایی در شیلی استفاده کرد [23]. فواد و همکاران [24] از DB برای تخمین ردپای انرژی و کربن یک جامعه نوآورانه با انرژی صفر پایدار استفاده کرد. بر اساس تابع شبیه سازی DB، ژو، بائو [25] تحقیقی را در مورد تأثیرات طرح های پنجره و سایه بر روی BEC و هزینه های ساخت و ساز در مناطق مختلف آب و هوایی در چین انجام دادند. با این حال، استفاده از BIM-DB برای به دست آوردن داده ها در مورد مصرف انرژی هنوز ناکارآمد است. بنابراین، الگوریتم های موثرتری برای به دست آوردن داده ها و پیش بینی عملکرد کربن زدایی مورد نیاز است.

به دنبال مجموعه داده نمونه، یک الگوریتم مناسب نیز برای MOO مهم است [26]، [27]. تجزیه و تحلیل ساختمان، مدل‌سازی و پیش‌بینی همگی از کاربرد فناوری یادگیری ماشین (ML) بهره برده‌اند [28]. الگوریتم های اصلی برای بهینه سازی هدف GB شامل الگوریتم ژنتیک (GA) [29]، الگوریتم بهینه سازی ازدحام ذرات (PSO) [30] و الگوریتم کلونی مورچه ها (ACO) [31] است. درک و پیاده سازی الگوریتم GA آسان است، اما توانایی جستجوی محلی آن ضعیف است [32]. ثابت شده است که الگوریتم های PSO سریع هستند، اما سرعت برازش آن بسیار آهسته است و منحنی خطا در دوره بعدی کمی کاهش می یابد [30]. الگوریتم ACO در تقریب مسائل چالش برانگیز بهینه سازی ترکیبی برای کاربردهای دنیای واقعی به خوبی عمل می کند، در حالی که کاربرد آن در بسیاری از صنایع هنوز به دلیل زمان طولانی اجرا و رکود آسان محدود است [33]. اخیراً، بسیاری از محققان الگوریتم‌هایی مانند ماشین بردار پشتیبان (SVM) [34]، جنگل تصادفی (RF) [35]، شبکه عصبی کانولوشنال (CNN) [36]، حافظه کوتاه‌مدت بلند مدت (LSTM) [37] و ماشین تقویت گرادیان نور (LGBM) [38] برای پیش‌بینی و بهینه‌سازی مصرف انرژی ساختمان، انتشار CO2 و درجه ناراحتی حرارتی داخلی، دستیابی به نتایج و دقت خوب. با این حال، هیچ تحقیقی در مورد بهینه‌سازی چند هدفه (MOO) برای انتخاب پارامتر پاکت‌ها و سیستم‌های تهویه مطبوع انجام نشده است. برای غلبه بر این کمبود، الگوریتم ژنتیک مرتب‌سازی غیر غالب (NSGA) پیشنهاد شده است. این الگوریتم بهینه سازی GA و پارتو را با اجتناب از اصلاح بیش از حد و دقت بالا ترکیب می کند [39]. دب و همکاران [40] از استفاده از رویکرد برتر در الگوریتم ژنتیک مرتب‌سازی غیرمسلط II (NSGA-II) حمایت کرد. راه حل بهینه را می توان به سرعت پیدا کرد [41]. چن و همکاران [42] یک الگوریتم مبتنی بر NSGA-II را با آزمایش‌های مدل‌سازی برای بهینه‌سازی طراحی ساختار، ویژگی‌های فیزیکی حرارتی پوشش و سایر پارامترها ترکیب کرد. پارک و همکاران [43] مرجعی برای طراحی زیرساخت سبز برای کاهش بار حرارتی تابشی بر اساس NSGA-II ارائه کرد. با این حال، تمرکز بر کاهش مصرف انرژی هنگام بهینه سازی طراحی کافی نیست، کیفیت محیط داخلی نیز باید در نظر گرفته شود. برای MOO NSGA-II، چون تابع تناسب سرعت اجرای الگوریتم را تعیین می کند و بر دقت راه حل بهینه تأثیر می گذارد، لازم است تابع تناسب مناسب تعیین شود. به منظور غلبه بر کاستی‌های راندمان و دقت کم روش‌های سنتی، تحقیقات موجود پیشنهاد می‌کند که فناوری ML مدل‌های پیش‌بینی بسازد و به عنوان توابع تناسب در بهینه‌سازی مشارکت کند [44]. شبکه های عصبی مصنوعی (ANNs) [45] و شبکه های عصبی فازی (FNNs) [46] به طور گسترده ای برای عملکرد پیش بینی خوب خود استفاده شده اند. برای یک FNN، سرعت استدلال کند است، دقت پایین است، قوانین فازی تابع عضویت به سختی تنظیم می شوند.و دستیابی به یادگیری تطبیقی ​​دشوار است. از آنجایی که پارامترهای پوشش و سیستم های AC توسط روابط غیرخطی پیچیده و داده های نمونه کوچک محدود می شوند، الگوریتم جنگل تصادفی (RF) برای مدل پیش بینی انتخاب شده است. در مقایسه با سایر الگوریتم ها، با توجه به قابلیت تفسیر و سرعت محاسباتی، RF انتخاب مناسب تری است. با استفاده از خروجی هر درخت برای ایجاد خروجی نهایی، عملکرد پیش‌بینی بهبود می‌یابد و مدل پایدارتری ساخته می‌شود [47]. علاوه بر این، این روش در برابر برازش بیش از حد قوی است.

به طور کلی، توسعه فناوری BIM بستری را برای اتوماسیون و هوشمندی تجزیه و تحلیل GB فراهم می کند [48]. با این حال، زمانی که اندازه نمونه داده برای بهینه‌سازی طراحی افزایش می‌یابد، استفاده از BIM-DB برای به دست آوردن داده‌های BEC نیازمند تنظیم و محاسبه پارامترها از طریق شبیه‌سازی است که غیرعملی است [18]. از آنجایی که الگوریتم ML می تواند به سرعت راه حل بهینه را پیدا کند، این پتانسیل برای مقابله با مسائل غیرخطی را دارد. با این حال، محدودیت‌های نابرابری در الگوریتم سنتی ML منجر به بی‌ثباتی مجموعه داده‌ها و در نتیجه رگرسیون غیرعادی می‌شود. بنابراین، یک مدل پیش‌بینی مصرف انرژی ساختمان سریع‌تر و دقیق‌تر مورد نیاز است. در بهینه سازی طراحی، تنها در نظر گرفتن کاهش مصرف انرژی کافی نیست [49]. کیفیت محیط داخلی نیز باید در نظر گرفته شود. انتخاب چندین عامل به عنوان تابع هدف و یک کار دشوار، انتخاب تکنیک MOO مناسب برای به دست آوردن بهترین پوشش ساختمان است [50]. MOO به انتخاب توابع تناسب مناسب نیاز دارد، اما ارائه معادلات تجربی برای در نظر گرفتن شرایط خاص ساختمان دشوار است، و استفاده از مقادیر تناسب نرم افزار شبیه سازی زمان بر است که اثربخشی بهینه سازی را کاهش می دهد [51]. یک الگوریتم هوشمند مناسب برای افزایش کارایی لازم است تا از معایب تابع تناسب اندام که قبلاً استفاده شده بود، عبور کند.

برای رسیدگی به شکاف‌های تحقیقاتی ذکر شده در بالا، این مقاله یک روش یادگیری ماشین و چارچوب MOO مبتنی بر BIM را پیشنهاد می‌کند. مدل RF برای آموزش نمونه های داده به دست آمده توسط شبیه سازی BIM-DB استفاده می شود. بهینه‌سازی گرگ خاکستری (GWO) در بهینه‌سازی فراپارامتر استفاده شد. مدل‌های پیش‌بینی با اهداف بهینه‌سازی مختلف به عنوان تابع تناسب NSGA-II برای تحقق MOO پارامترهای طراحی GB به‌دست می‌آیند. این تحقیق به موارد زیر کمک می کند: (الف) به دست آوردن نمونه های تحقیقاتی LCCE، آسایش حرارتی و هزینه مربوط به پارامترهای طراحی از طریق آزمایش های متعامد و شبیه سازی DB. (ب) استفاده از RF برای آموزش نمونه های داده برای ایجاد مدل های پیش بینی موثر و دقیق که به عنوان توابع هدف برای بهینه سازی عمل می کنند. و (ج) توسعه یک مدل هوشمند هیبریدی RF-NSGA-II برای بهینه‌سازی پارامترهای طراحی پوشش‌های ساختمان و سیستم‌های تهویه مطبوع با انتشار کربن و کاهش هزینه‌های اقتصادی و بهبود آسایش حرارتی گیگابایت.

ساختار این تحقیق به شرح زیر است. بخش 2 دانش نظری پایه مرتبط را معرفی می کند. سپس، بخش 3 فرآیند جمع آوری مجموعه نمونه داده ها بر اساس مدل BIM-DB و ایجاد مدل MOO بر اساس RF-NSGA-II را معرفی می کند. متعاقباً، بخش 4 تحلیلی از نمونه‌های پیش‌بینی و بهینه‌سازی LCCE، EC و PMV را برای ساختمان آموزشی ارائه می‌کند. در بخش 5، رویکرد پیشنهادی مورد بحث قرار گرفته و مزایای آن برجسته شده است. در نهایت، بخش 6 این مطالعه را خلاصه می کند و کار آینده را معرفی می کند.