یک بررسی جدید توسط هیئت بین دولتی تغییرات آب و هوایی [1] نشان داد که بیشترین افزایش در انتشار کربن ناشی از تولید برق، صنعت، حمل و نقل و عملیات ساختمانی است [2]. بخش ساختمان تقریباً 40 درصد از کل مصرف انرژی در کشورهای مختلف را به خود اختصاص می دهد. این نشان دهنده اهمیت کاهش مصرف انرژی در صنعت مذکور است [3]، [4]، [5].

در کشورهای نفت خیز و تولیدکننده نفت، به دلیل کاهش عرضه، دسترسی محدود، و افزایش قیمت انرژی در همه جای دنیا، تقاضای مبرم برای صرفه جویی سریع انرژی وجود دارد [6]. افزایش عایق حرارتی ساختمان ها یک عامل اساسی در صرفه جویی در انرژی است [7]، [8]. این امر به ویژه در مناطق گرم، جایی که نیاز نسبتاً زیادی به انرژی برای استفاده در سرمایش از طریق تهویه مطبوع وجود دارد، اهمیت دارد [9]. رسانایی حرارتی ماتریس سلول و دیواره سلولی و همچنین همرفت و تشعشع، تعیین‌کننده‌های اصلی خواص حرارتی هستند، با ماتریس سلولی مهم‌ترین نقش را در تعیین ویژگی‌های کل انتقال حرارتی ایفا می‌کند. نگرانی های مربوط به محیط زیست و انرژی در سال های اخیر توجه مردم را در سراسر جهان به خود جلب کرده است [10]. 30 درصد از مصرف اولیه انرژی در جهان و نزدیک به یک سوم از انتشار کربن در جهان مربوط به صنعت ساخت و ساز است [11]. به دلیل افزایش شهرنشینی، تغییرات آب و هوایی، منابع آبی آینده و سایر عوامل، تقاضای جهانی انرژی ساختمان به طور مداوم در حال رشد بوده است [10]، [12]، [13].

معیارهای مربوطه بر افزایش عملکرد حرارتی تأکید دارند و مقررات مربوطه وجود ندارد. با این وجود، با فرض اینکه فقط عملکرد حرارتی به نظر می رسد مخالف مفهوم ساختمان سبز باشد. هنوز نیاز به تحقیق و بررسی است که آیا بهبود عملکرد حرارتی محیط ساختمان می تواند به طور قابل توجهی در مصرف انرژی و مزایای زیست محیطی و اقتصادی صرفه جویی کند [3]، [8]. ساختار بیرونی ساختمان دقیق توسط چندین محقق با استفاده از روش‌های انتخاب بهینه‌سازی و نرم‌افزار شبیه‌سازی ساختمان با هدف بهبود عملکرد حرارتی، هزینه و اثرات محیطی بهینه شده است [14، [15]، [16]، [17]، [18]. ]، [19]. اغلب، تکنیک های مختلف با عملکرد حرارتی ساختمان مطابق با استانداردهای مربوطه مرتبط است. استقرار روش‌های ارزیابی چند شاخصه می‌تواند به توسعه طراحی‌های بیرونی ساختمان منجر شود. استفاده حرارتی واقعی در شرایط عملیاتی تحت تأثیر پارامترهای مختلفی از جمله تغییرات دمای خارجی واقعی، عادات کاری افراد، تطبیق بهبود کارایی بین سازه‌های بیرونی و غیره است، حتی اگر عملکرد حرارتی ساختمان سبز بر اساس روش‌های معمول افزایش یافته باشد. ساخت و سازها [9]، [20]، [21]. این امر باعث ایجاد اختلاف قابل توجهی بین مصرف حرارتی واقعی و آنهایی که با مدلسازی محاسبه می شوند، می شود. معمولاً بین عملکرد حرارتی واقعی و کلی مورد انتظار یک محفظه واگرایی وجود دارد.

با گسترش استاندارد ارزیابی ساختمان سبز و استانداردهای بهره وری انرژی ساختمان، ضرورت ها برای عملکرد حرارتی پوشش ساختمان به آرامی بهبود یافته است [22]، [23]. با این حال، تنها با در نظر گرفتن اجرای حرارتی در مقابل مفهوم ساختمان مسکونی، استانداردهای مربوطه توجه زیادی به بهبود عملکرد حرارتی دارند، و کمبود پیشنهادات و مقررات مربوطه در مورد انتخاب مصالح وجود دارد [24]، [25]. محققان مختلف از نرم‌افزاری برای شبیه‌سازی ساختمان‌ها و ابزارها برای انتخاب بهینه‌سازی برای بهینه‌سازی یک ساختار ساختمانی خاص با اجرای حرارتی، اثرات زیست‌محیطی و هزینه به عنوان اهداف استفاده کرده‌اند [26، [27]، [28]، [29]، [30] ، [31]، [32]، [33]، [34]، [35].

در تحقیقات مهندسی مختلف، شبکه های عصبی مصنوعی موضوعی بسیار مهم هستند [36]. کاربردهای مختلف انتقال حرارتی به طور گسترده از این شبکه‌ها استفاده کرده‌اند، از جمله پیش‌بینی بارهای گرمایشی ساختمان، بازیابی گرمای هدر رفته، انرژی خورشیدی، مبدل‌های حرارتی، و غیره. ]. ویژگی‌های یک جریان نانوسیال برخورد جت در یک هیت سینک میکروکانالی توسط Naphon و همکاران پیش‌بینی شده بود. [41] با استفاده از شبکه های عصبی مصنوعی در ارتباط با دینامیک سیالات محاسباتی. در طول مرحله آموزش، انتشار به عقب لونبرگ-مارکوارت (LMB) برای بهینه سازی نسبت خطا و ایجاد بهترین مدل ANN ممکن در نظر گرفته شد. نسبت 1.25 درصد خطا بین نتایج تعیین شده و نتایج پیش بینی شده وجود داشت. Acikgoz و همکاران. [16] یک سری آزمایش را در یک محفظه آزمایشی با ابعاد بدون تغییر برای مطالعه ویژگی‌های انتقال حرارتی در اتاقی با اندازه واقعی انجام داد. مطالعه ویژگی‌های حرارتی گرمایش تابشی با استفاده از روش‌های ANN [42] انجام شد. در این مثال مشخص شد که رویکرد لونبرگ-مارکوارت دقیق‌ترین است. یک ANN توسط مویا ریکو [43] برای پیش بینی تبادل حرارتی و افت فشار TTHE استفاده شد. لوله های داخلی راه راه و صاف تحت ارزیابی تجربی قرار گرفتند و سیال مورد استفاده در صنایع غذایی یک سیال کار بود. آنها کشف کردند که یک مدل ANN حاوی دو لایه پنهان تطابق بسیار خوبی با داده های تجربی ارائه می دهد. میانگین خطای نسبی تقریباً 1.91 درصد برای انتقال حرارتی و 3.82 درصد برای افت فشار بود.

با توجه به افزایش هزینه انرژی و تغییرات آب و هوایی، کاهش استفاده از منابع انرژی مبتنی بر کربن ضروری بود. اقدام موثری که در این زمینه می تواند مورد استفاده قرار گیرد عایق حرارتی ساختمان است [44]. انرژی باقی مانده برای عایق حرارتی در ساختمان ها، انتشار CO2 کاهش می یابد. یک مطالعه تجربی در مقاله حاضر انجام شده است. یک سال طول کشید تا مجموعه داده جمع آوری شود. مجموعه داده جمع آوری شده حاوی مواد دیواری مختلف است. سپس، اثر مواد مختلف عایق حرارتی بر انتشار CO2 به صورت تجربی مورد مطالعه قرار گرفت و عملکرد انرژی انواع دیوارهای مختلف با مواد عایق مختلف مورد بررسی قرار گرفت و اثرات آنها بر انتشار CO2 مورد بررسی قرار گرفت (بخش 2، جدول 1). سپس از هوش مصنوعی برای پیش‌بینی اتلاف حرارت استفاده شد. برای این منظور ابتدا ادراک چند لایه به مدل اعمال شد. نتایج نشان می دهد که روش های هوشمند ازدحام می توانند اتلاف گرما را به دقت پیش بینی کنند. در نهایت، دو الگوریتم ترکیبی. یعنی BBO و TLBO برای ارزیابی میزان دقت پیش‌بینی این روش‌ها در پیش‌بینی تلفات حرارتی استفاده شد. اما همچنین، مطالعات بیشتری برای افزایش دقت محاسبه تلفات حرارتی ساختمان‌ها و ادغام صریح آن‌ها با الگوریتم‌های بهینه‌سازی مورد نیاز است.

برای پیش‌بینی تحلیل‌های کاهش تلفات حرارتی در مواد عایق حرارتی، از ANN در این تحقیق استفاده شده است. ANN با دو تکنیک بهینه سازی الهام گرفته از طبیعت مرتبط است [45]. تجزیه و تحلیل های ریاضی امکان جمع آوری مجموعه داده های لازم برای آموزش ANN را فراهم می کند. ضرایب انتقال حرارتی دیوار (W/mK)، ضرایب انتقال حرارتی مواد پوشش (W/mK)، دمای بیرون و داخل و دمای سطح خارجی همگی هنگام محاسبه میزان اتلاف حرارت در نظر گرفته می‌شوند. کاهش. به دلیل دقت بالا و کاربرد گسترده، مدل های ایجاد شده در این مطالعه می توانند برای اهداف مختلفی از جمله انجام تجزیه و تحلیل کاهش تلفات حرارتی بر روی ترکیبات عایق حرارتی استفاده شوند.

این بررسی اجمالی به پنج بخش تقسیم شده است. مجموعه داده ها و ویژگی های مورد استفاده در پیش بینی تلفات حرارتی و داده های تحقیق و مدل پیش بینی در بخش 2 بررسی می شوند. بخش 3 ارائه روش ها و مواد را پوشش می دهد. نتایج در بخش 4 همراه با توضیحی در مورد تجزیه و تحلیل و نتیجه‌گیری‌های به‌دست‌آمده در هنگام ساخت مجموعه داده‌های آموزشی و آزمایشی با استفاده از رویکردهای ANN ارائه شده‌اند. مقاله به نتیجه رسیده است و بخش 5 رویکردهای مورد استفاده برای تصمیم گیری اینکه کدام ترکیب ها بهینه هستند را خلاصه می کند.