معرفی (ادامه)

رویکرد شبیه سازی عددی یک روش دقیق است که در آن قوانین فیزیکی توسط برنامه های کامپیوتری به منظور شبیه سازی مصرف انرژی ساختمان اعمال می شود. امکان تجزیه و تحلیل دقیق ساختمان های پیچیده برای مصرف انرژی را فراهم می کند. برای طرح های محدود پوشش ساختمان که توسط تصمیم گیرندگان تعیین می شود، مزایایی دارد. کراولی و همکاران، [16]، سادیننی و همکاران [17] و میرصادقی [18] یک بررسی مفصل ارائه کردند که بسیاری از برنامه های شبیه سازی عملکرد انرژی ساختمان را مورد استفاده در ادبیات در نظر می گیرد. در ادبیات، مطالعات زیادی در مورد شبیه سازی انرژی برای پوشش ساختمان [19]، [20]، [21]، [22]، [23]، [24] وجود دارد.

با این حال، با توسعه فناوری، دامنه و خواص مواد مورد استفاده برای پوشش ساختمان به طور قابل توجهی متنوع شده است. از نظر برنامه‌های شبیه‌سازی، انتخاب مناسب‌ترین پیکربندی پوشش ساختمان از میان بسیاری از گزینه‌های پوشش ساختمان برای طراحی یک ساختمان سبز و کارآمد در یک بازه زمانی معقول، تقریبا غیرممکن است. بنابراین، رویکردهای پیشرفته مورد نیاز است زیرا برنامه های شبیه سازی برای ارزیابی بسیاری از ترکیبات پوششی ساختمان کافی نیستند. رویکرد یادگیری ماشینی می‌تواند تحلیل‌های زیادی را انجام دهد، که برای رویکردهای مرسوم از نظر مصرف انرژی ساختمان، آسان‌تر و در زمان کوتاه‌تری دشوار است. تکنیک های یادگیری ماشین به طور گسترده در تجزیه و تحلیل انرژی ساختمان برای پیش بینی تقاضای انرژی با تجزیه و تحلیل داده های مصرف هفتگی، روزانه یا حتی ساعتی مانند گرمایش، سرمایش و روشنایی با توجه به اطلاعاتی مانند شرایط آب و هوایی، جمعیت و تراکم مصرف استفاده شده است. طبقه بندی نظارت شده، رگرسیون و تکنیک های مبتنی بر بهینه سازی به طور گسترده ای ترجیح داده می شوند [25]، [26]، [27]، [28]، [29]، [30]، [31]، [32]، [33]. به طور خاص، در مسائل تجزیه و تحلیل انرژی ساختمان که داده‌های با حجم زیاد دارند، ممکن است تقریباً غیرممکن باشد که خروجی را به صورت دستی با توجه به بسیاری از ویژگی‌های ورودی بدست آوریم. با این حال، مقدار معینی از داده ها با استفاده از رویکردهای یادگیری ماشینی به منظور انجام این تحلیل ها به درستی آموزش داده می شوند. در نتیجه آموزش، گرایش مصرف انرژی ساختمان، ویژگی های موثر بر مصرف انرژی ساختمان و الگوهای مختلف ناشناخته قبلی مشخص می شود. خروجی های به دست آمده با داده های آموزش دیده با خروجی های واقعی مقایسه شده و عملکرد روش مورد تجزیه و تحلیل قرار می گیرد. بنابراین، مکانیزمی تولید می شود که می تواند ایده ای در مورد تجزیه و تحلیل مصرف انرژی ساختمان بدهد. اخیراً، در میان بسیاری از تکنیک‌های یادگیری ماشین، شبکه عصبی مصنوعی (ANN) به طور گسترده‌ای در بهینه‌سازی طراحی یک ساختمان با انرژی کارآمد استفاده شده است [8]. این می تواند به تصمیم گیرندگان مانند معماران و مهندسان کمک کند تا با استفاده از چندین ویژگی ورودی ساده برای انتخاب پوشش ساختمان در مراحل اولیه طراحی، یک برآورد اولیه از عملکرد انرژی ساختمان انجام دهند. ANN را می توان برای پیش بینی کل فضای راه حل، محاسبه شده با استفاده از شبیه سازی های زمان بر [34] اتخاذ کرد. با افزایش کارایی طراحی معماری، در زمان مدل‌سازی صرفه‌جویی می‌کند و معایب برنامه‌های شبیه‌سازی را به‌ویژه زمانی که با برنامه‌های شبیه‌سازی استفاده می‌شوند، از بین می‌برد. بنابراین، خروجی های عایق حرارتی برای ورودی های آب و هوا و پوشش ساختمان می تواند در زمان معقولی تولید شود. در ادبیات، تعدادی از ANN و مطالعات فراابتکاری وجود دارد که تاثیرات مصالح پوششی ساختمان را بر عملکرد حرارتی ساختمان ها تحلیل می کند. سامبو و همکاران، [35] روشی را با هدف بهینه سازی عایق حرارتی و اینرسی حرارتی ارائه کردند.آنها کد الگوریتم ژنتیک (GA) را که توسط Leyland [36] و Molyneaux [37] ایجاد شده بود، به کار بردند و از روش چهارقطبی به منظور محاسبه ظرفیت حرارتی به عنوان راهی برای تعیین کمیت اینرسی دیوار استفاده کردند. احمد و همکاران [38] مدل های داده کاوی نظارت شده را پیشنهاد کردند که بارهای خنک کننده افق کوتاه مدت و میان مدت را برای بهینه سازی و مدیریت انرژی ساختمان پیش بینی می کنند. Zemella و همکاران، [34] یک مدل شبکه عصبی تکاملی را با در نظر گرفتن انتشار کربن، خنک‌کننده و روشنایی مصنوعی برای نمای ساختمانی با انرژی کارآمد پیشنهاد کردند. آنها مساحت بصری، برآمدگی افقی، باله های عمودی و نوع شیشه را به عنوان متغیرهای نما در نظر گرفتند. اگرچه آنها فضای اسکن را کاهش دادند، اما با استفاده از EnergyPlus از بین 193500 جایگزین، 1500 جایگزین مختلف را محاسبه کردند که برای ساختمان های بزرگ و پیچیده بسیار زیاد است. احمد و همکاران، [39] درخت تصادفی و ANN را برای پیش‌بینی با وضوح بالا مصرف انرژی ساختمان مقایسه کردند. آنها مصرف انرژی ساعتی گرمایش، سرمایش و تهویه مطبوع (HVAC) یک هتل در اسپانیا را با ترکیب ویژگی‌های اجتماعی مانند تعداد مهمانان تخمین زدند. Devi و Manonmani [40] شبکه عصبی پس انتشار فازی متشکل از پنجاه و یک ورودی و بیست و چهار خروجی را برای پیش‌بینی قیمت کوتاه‌مدت برق توسعه دادند. مدل فازی-BPNN راه حل بهتری در مقایسه با پرسپترون چند لایه (MLP) ارائه کرد. هاوکینز و همکاران [41] یک مدل ANN را با استفاده از داده های انرژی ساختمان های واقع در دانشگاه لندن تولید کردند. سون و همکاران، [42] مصرف انرژی ساختمان های دولتی را با تولید یک مدل ANN پیش بینی کردند. آنها 175 مجموعه داده به دست آمده از پایگاه داده “بررسی مصرف انرژی ساختمان های تجاری” در سال 2003 را با در نظر گرفتن 26 متغیر مختلف تجزیه و تحلیل و اعتبارسنجی کردند. Mishra و Singh [43] یک ساختار شبکه عصبی مصنوعی مبتنی بر الگوریتم حرکت پنجره ای را به منظور پیش بینی مصرف انرژی ماهانه با استفاده از اطلاعات آب و هوای ماهانه سه ساله قبلی و داده های انرژی پیشنهاد کردند. دب و همکاران، [44] یک ANN و یک مدل رگرسیون چند لایه را برای تخمین مصرف انرژی مرتبط با HVAC برای ساختمان های اداری پیش و پس از مقاوم سازی مقایسه کردند. آنها 14 متغیر سطح ساختمان و سیستم را برای 56 ساختمان اداری ارزیابی کردند. دونگ و همکاران، [45] مصرف انرژی و هزینه یک ساختمان اداری را در یک منطقه به شدت سرد با جفت کردن جعبه ابزار EnergyPlus، Grasshopper و ANN MATLAB ارزیابی کردند. آنها یازده متغیر متشکل از نسبت پنجره نما به دیوار و مواد عایق دیوار را به عنوان ویژگی های ورودی در نظر گرفتند. Caglayan و همکاران [46] از GA برای تعیین مناسب ترین ضخامت مواد عایق و نوع پنجره با توجه به مناطق آب و هوایی استفاده کردند. هدف آنها به حداقل رساندن هزینه های مواد و مصرف انرژی گرمایشی بود. فقط یک نوع عایق برای سقف، زیرزمین و دیوارهای خارجی استفاده شد. نه نوع پنجره مورد تجزیه و تحلیل قرار گرفت. پانزده ضخامت مختلف پلی استایرن منبسط شده برای دیوارهای خارجی،بیست ضخامت مختلف پشم سنگ برای سقف، و بیست ضخامت مختلف از پلی استایرن اکسترود شده برای کف زیرزمین مورد بررسی قرار گرفت. وو و همکاران، [47] یک ساختار LCCA مبتنی بر فرآیند را برای ساختمانهای اداری در چین پیشنهاد کردند. آنها LCCA را با تعریف و کمی کردن مصرف انرژی و CO انجام دادند₂ انتشار طبق آژانس حفاظت از محیط زیست، سازمان بین المللی استانداردسازی و انجمن سم شناسی محیطی. توهوس-دابرو و کررتی [48] یک ابزار شبیه‌سازی-بهینه‌سازی را با استفاده از یک GA و یک موتور شبیه‌سازی انرژی ساختمان به منظور بهینه‌سازی طراحی پوشش ساختمان در ساختمان‌های مسکونی ارائه کردند. آنها ویژگی های پوشش ساختمان و اشکال ساختمان را در نظر گرفتند. نجات و همکاران، [49] یک بررسی جهانی از مصرف انرژی، انتشار CO ₂ و سیاست ها برای بخش ساختمان های مسکونی ارائه کردند. احمد و همکاران، [50]، دی آمیکو و همکاران، [51]، مهندس و همکاران [52] و خیری [53] به منظور پیش بینی و تجزیه و تحلیل، بررسی دقیق و جامعی از کاربردهای شبکه عصبی مصنوعی ارائه کردند. مصرف انرژی ساختمان با این حال، در ادبیات، تنها مقاله ای که اثر زلزله را بر هزینه چرخه عمر (LCC) ساختمان های با انرژی کارآمد در نظر می گیرد توسط لیو و می [54] منتشر شد. آنها LCC را برای دو نوع پنجره مختلف با در نظر گرفتن یک منطقه لرزه ای تجزیه و تحلیل کردند. آنها از EnergyPlus، یکی از رویکردهای شبیه سازی عددی استفاده کردند.