بخش ساختمان به عنوان یکی از اساسی ترین نیازهای زندگی روزمره ما بوده و به تسهیل توسعه اجتماعی و اقتصادی کمک می کند. با این حال، یک مسئله قابل توجه این است که بخش ساختمان مستعد دریافت سهم قابل توجهی از مصرف انرژی و انتشار گازهای گلخانه ای (GHG) در سراسر جهان است که متأسفانه منجر به تقاضای انرژی زیاد و حتی برخی اثرات نامطلوب در مورد آلودگی محیط زیست و تغییرات جهانی آب و هوا. به عنوان مثال، به دلیل شهرسازی سریع، چین در سال 2019 4.997 میلیارد تن دی اکسید کربن (CO ₂ ) از کل فرآیند ساختمان تولید کرد که 50.6 درصد از سهم ملی در انتشار کربن را به خود اختصاص داد، در حالی که مصرف کل انرژی آن 2.233 میلیارد تن بود. معادل استاندارد زغال سنگ به نسبت 46.5 درصد سهم ملی در مصرف انرژی [1]. علاوه بر این، ساختمان ها در اتحادیه اروپا (EU) مسئول تقریباً 40٪ از کل مصرف انرژی و 36٪ GHG هستند [2]. به طور کلی، یک گرایش رو به رشد مصرف انرژی در بخش ساختمان در سطح جهان وجود دارد که انتظار می رود از سال 2003 تا 2050 به میزان 88 درصد افزایش یابد [3]. در این راستا، آگاهی‌های عمومی اخیر ساختمان‌های سبز با انرژی تقریباً صفر را برای دستیابی به هدف توسعه پایدار قرار داده است. در مقایسه با ساختمان‌های معمولی، ارزش سبز شدن باید در تمام دیدگاه‌های محیطی، اجتماعی و انسانی برجسته شود، مانند تحقق بازده انرژی بالا، کاهش انتشار CO2 _، صرفه‌جویی در هزینه، آسایش حرارتی تطبیقی ​​و موارد دیگر [4]. بنابراین، مفهوم ساختمان سبز در سال های اخیر توسعه سریعی را تجربه می کند.

به عنوان مقدمه ساخت ساختمان سبز، ارزیابی و بهینه سازی عملکرد انرژی ساختمان در مراحل اولیه طراحی ضروری است. به عبارت دیگر، این نوع تحلیل اولیه تلاش می‌کند تا ضایعات غیرضروری و تجربیات ناراحت‌کننده ناشی از طراحی نامناسب را کاهش دهد و ساختمان را به سمت صرفه‌جویی در انرژی و پتانسیل آسایش ساکنان سوق دهد. برای این منظور، انواع ابزارهای شبیه‌سازی انرژی مانند DesignBuilder، DOE-2، OpenStudio، Ecotect و غیره توسعه داده شده‌اند تا به راحتی عملکرد انرژی بالقوه چنین طرح‌هایی را تحت شبیه‌سازی دینامیکی ارائه دهند. با این حال، چنین رویکرد شبیه‌سازی مبتنی بر فیزیکی گاهی اوقات از بازده محاسباتی پایین و پیچیدگی بالا به دلیل مقدار زیادی پارامترهای مورد نیاز رنج می‌برد [5]. علاوه بر این، راه ساده دیگر پیروی دقیق از استانداردهای ارزیابی تثبیت شده در جهان است و بنابراین استراتژی های طراحی پایدار را می توان در ساخت و ساز ساختمان سبز ادغام کرد [6]. به عنوان مثال، رهبری در طراحی انرژی و محیطی (LEED) به طور گسترده در بیش از 160 کشور و منطقه مورد استفاده قرار گرفته است که هدف آن گواهی ساختمان های سبز سالم، کارآمد، کربن و صرفه جویی در هزینه است [7]. اتحادیه اروپا مقرراتی مانند دستورالعمل عملکرد انرژی ساختمان ها (EPBD 2018/844/EU) را وضع کرده است تا اطمینان حاصل شود که تمام ساختمان های جدید می توانند نیاز ساختمان های انرژی نزدیک به صفر (nZEB) را تا 31 دسامبر 2020 برآورده کنند [8]. در چین، محبوب ترین استاندارد ارزیابی ساختمان سبز توسط وزارت مسکن و توسعه شهری و روستایی (MHURD) صادر می شود [9]. با این حال، بررسی بر اساس استانداردهای مختلف همراه با تجربه قبلی نسبتاً زمان بر و پر زحمت است. حتی بدتر از آن، ممکن است نتایج نادرستی ایجاد کند که به طور منفی تحت تأثیر سوگیری های شناختی و قضاوتی قرار می گیرند.

تا به امروز، با حمایت از صنعت داده های بزرگ که به سرعت در حال رشد است، بخش ساختمان بیشتر و بیشتر دارای اطلاعات فشرده می شود، و بنابراین بررسی عمیق در دسترس بودن روزافزون داده های مربوط به عملکرد انرژی ساختمان برای دانش پنهان معنادار است. کشف [10]. به طور قابل توجهی، تمرکز بر ارزیابی ساختمان سبز به تدریج به روش‌های مبتنی بر داده برای یک رویه تصمیم‌گیری خودکار، کارآمد و عینی‌تر تغییر کرده است. یادگیری ماشین به عنوان یک روش معاصر و امیدوارکننده، توجه زیادی را در زمینه پیش‌بینی انرژی ساختمان در مرحله طراحی برای مقابله با مشکلات در روش‌های سنتی به خود جلب کرده است [11]. مشخص شده است که الگوریتم‌های یادگیری ماشین متنوعی که ماشین بردار پشتیبان (SVM)، یادگیری مجموعه، ادراک چند لایه (MLP) و سایرین را پوشش می‌دهند، مزایایی از بازده بالا، ساختارهای پارامتری ساده‌شده مطابق با مراحل اولیه طراحی، عملکرد پیش‌بینی قابل اعتماد، و تعمیم عالی [12]. همانطور که انتظار می رود، فرصتی برای افزایش درک پیچیدگی روزافزون سیستم های انرژی وجود دارد. به عبارت دیگر، رویکردهای مبتنی بر یادگیری ماشین به ارائه بینش‌های ارزشمندی در مورد رابطه پیچیده بین عملکرد ساختمان سبز و عوامل تأثیرگذار متعدد آن، مانند ساختار پوشش، دهانه‌های نما، کارایی عملیاتی تأسیسات، فعالیت‌های پرسنل، و موارد دیگر کمک می‌کنند، که امکان تصمیم‌گیری را فراهم می‌کند. سازندگان برای تشخیص زودهنگام مشکلات طراحی و انجام تنظیمات مربوطه. اگرچه بسیاری از مطالعات مدل‌های پیش‌بینی انرژی مبتنی بر یادگیری ماشینی با کارایی بالا را توسعه داده‌اند، اما همچنان باید در سه جنبه زیر بهبود یابند.

در ابتدا، باید توجه داشت که تنظیم فراپارامتر نقش مهمی در کنترل رفتار یک مدل یادگیری ماشین ایفا می کند. انتخاب مناسب یک پیکربندی فراپارامتر بهینه موظف به دستیابی به کیفیت پیش‌بینی امیدوارکننده‌تر است. اگرچه برخی از مطالعات الگوریتم‌های مختلف یادگیری ماشین را در پیش‌بینی عملکرد انرژی مقایسه کرده‌اند، اما تاکید کمتری بر فرآیند تنظیم خودکار دارند [11]. به نظر می رسد تنظیم دستی هنوز هم یک روش رایج است که به تلاش زیادی انسان نیاز دارد. بنابراین، هدف این مقاله ادغام تکنیک تنظیم خودکار فراپارامتر در مدل یادگیری ماشین است، که می‌تواند به راحتی ترکیب فراپارامتر بهینه را در تکرارهای کمتر شناسایی کند تا مدل قابل اطمینان‌تر و تکرارپذیرتر شود. علاوه بر این، مطالعات موجود نشان می دهد که برتری یادگیری ماشین عمدتاً در مرحله عملیاتی نشان داده شده است، اما به طور گسترده در مرحله طراحی ساختمان انجام نشده است. از آنجایی که طراحی مناسب می تواند تقریباً 30 درصد صرفه جویی در انرژی را به همراه داشته باشد، بهتر است از مزیت کامل یادگیری ماشین در مرحله طراحی استفاده شود که می تواند پشتیبانی تصمیم را برای طراحان ساختمان فراهم کند.

ثانیاً، اکثر الگوریتم‌های یادگیری ماشینی که برای طراحی و بهینه‌سازی بخش‌های ساختمان به کار رفته‌اند، یک جعبه سیاه هستند. در واقع، تفسیر آنها برای انسان دشوار است. به طور کلی، فقدان تفسیرپذیری در یادگیری ماشین متأسفانه اعتماد به مدل‌ها و نتایج پیش‌بینی ساخته‌شده را تضعیف می‌کند [13]. در پاسخ به چالش‌های به ارث رسیده در یادگیری ماشینی کلاسیک، ما باید از طریق ایجاد توضیحات قابل درک از مکانیسم پیش‌بینی مدل و اهمیت متغیر، برای رویکردهای یادگیری ماشینی قابل توضیح تلاش کنیم [14]. به طور دقیق تر، یادگیری ماشین قابل توضیح را می توان به عنوان یک نوآوری در جهت باز کردن جعبه سیاه در نظر گرفت، که می تواند توضیح قابل اعتمادی برای افزایش اعتماد به نفس و عملکرد مدل های یادگیری ماشین ارائه دهد [15]. از آنجایی که تقاضا برای تفسیرپذیری بالا نیز در حوزه انرژی ساختمان مورد نیاز است، یادگیری ماشینی قابل توضیح باید در این مطالعه انجام شود. در نتیجه، فرصت‌های ارزشمندی را برای شناخت ویژگی‌های کلیدی که باید به مدیریت در اولویت قرار گیرند، ارائه می‌دهد و امکان توجیه، کنترل و کشف دانش را برای دستیابی به طراحی پایدار فراهم می‌کند.

ثالثاً، چگونگی جستجوی مجموعه‌ای از راه‌حل‌های بهینه برای طراحی ساختمان سبز یک سؤال باز است که در مطالعات فعلی به طور کامل مورد بررسی قرار نگرفته است. از آنجایی که بیش از یک هدف مورد نظر به نمایندگی از عملکرد انرژی ساختمان درگیر خواهد شد، چنین فرآیند تصمیم گیری را می توان به عنوان یک کار بهینه سازی چند هدفه (MOO) برای جایگزینی قضاوت سنتی انسان در نظر گرفت. دلیل اجرای وظیفه MOO این است که می‌توان آن را مستقیماً به مدل یادگیری ماشینی تثبیت‌شده مرتبط کرد و به راحتی راه‌حل‌های سازشی را در جبهه پارتو و بدون نیاز به معادلات پیچیده تولید کرد [16]. برای یک چیز، ارزش استفاده عملی مدل یادگیری ماشین پیش‌بینی‌کننده را در مورد عملکرد انرژی ساختمان گسترش می‌دهد. برای دیگری، با کمک یک الگوریتم بهینه سازی مناسب، پتانسیل تسهیل توسعه ساختمان های سبز تحت وعده استراتژی های بهینه مبتنی بر داده وجود دارد [17]. علاوه بر این، شایان ذکر است که منابع عدم قطعیت به ناچار در پروژه عملی وجود دارد. بنابراین، عدم قطعیت ها باید به خوبی در فرآیند بهینه سازی عملکرد ساختمان در نظر گرفته شوند تا استحکام روش مبتنی بر داده را بهبود بخشد [18].

برای پر کردن شکاف تحقیق، هدف تحقیق ما پیشنهاد یک چارچوب تحلیلی سیستماتیک است که شامل سه بخش کلیدی شبیه‌سازی مبتنی بر BIM، پیش‌بینی مبتنی بر یادگیری ماشینی قابل توضیح و بهینه‌سازی چندهدفه است، که در نهایت می‌تواند شواهد مبتنی بر داده‌های زیادی را به هر چه زودتر یک روش کارآمد و متقاعد کننده توسعه ساختمان سبز را تسهیل کنید. سؤالات تحقیقی که باید به آنها پرداخته شود عبارتند از: (1) نحوه ایجاد یک سیستم شاخص ارزیابی به عنوان یک آماده سازی داده های جامد برای پیش بینی و بهینه سازی عملکرد انرژی ساختمان سبز. (2) نحوه ساخت یک مدل پیشگویانه بسیار دقیق تحت ترکیب ماشین تقویت کننده گرادیان نور (LGBM)، بهینه سازی بیزی (BO) و توضیح افزودنی SHapley (SHAP)، که نه تنها می تواند تعاملات پیچیده و غیرخطی را ثبت کند. ورودی های متعدد به شیوه ای خودکار و قابل اعتماد، اما همچنین تفسیر کمی برای مدل یادگیری ماشین ایجاد شده ارائه می دهد. (3) نحوه انجام وظیفه MOO تحت اهرم یک الگوریتم عملی به نام AGE-MOEA و در نظر گرفتن عدم قطعیت چند منبع از متا مدل و داده ها، که می تواند نمایه ای بهینه از ویژگی ها را به عنوان استراتژی های طراحی ساختمان سبز به سمت ایجاد کند. هدف پایدار با زمان و کار کمتر

به طور خلاصه، تازگی این تحقیق در الگوریتم ترکیبی نهفته است که برخی از روش‌های محاسباتی هوشمند را برای کشف کامل دانش پنهان پشت حجم زیادی از داده‌های شبیه‌سازی مبتنی بر BIM مرتبط با دیدگاه‌های مختلف عملکرد انرژی ساختمان، ادغام می‌کند. می تواند سطح بالایی از قابلیت ها را در یادگیری خودکار، توضیح عمیق، بهینه سازی همزمان و تعمیم بالا حفظ کند. عملی بودن این تحقیق این است که می تواند به عنوان یک ابزار تصمیم گیری قابل اعتماد عمل کند تا آن را از نظر محاسباتی کارآمدتر و عینی تر در تعیین بحرانی ترین عوامل و کنترل بهینه ویژگی های مورد علاقه کند. به دنبال پیش‌بینی‌های دقیق و پیشنهادات عملی حاصل از تجزیه و تحلیل مبتنی بر داده‌های پیشنهادی، ساختمان سبز به طور بالقوه می‌تواند در مراحل اولیه طراحی تحت اهداف خاص کاهش مصرف انرژی، به حداقل رساندن اثرات منفی زیست‌محیطی و بهبود آسایش حرارتی داخلی درآمد کسب کند.

بقیه این مقاله به شرح زیر سازماندهی شده است: فصل 2 مروری بر مطالعات مرتبط ارائه می کند. فصل 3 روش شناسی درگیر در این تحقیق را معرفی می کند. فصل 4 یک مطالعه موردی را در یک پروژه ساختمان واقعی انجام می دهد تا اثربخشی روش پیشنهادی در پیش بینی و بهینه سازی انرژی ساختمان را تأیید کند. فصل 5 استحکام روش پیشنهادی را تحت منابع عدم قطعیت مورد بحث قرار می دهد. فصل 6 یافته های کلیدی و کارهای آتی را به پایان می رساند.