در حال حاضر، افزایش بهره وری انرژی و منابع برای مقابله با مشکل تغییرات آب و هوا و کمبود منابع قریب الوقوع است. به ویژه قابل توجه است که بخش ساختمان تلاش های اساسی در این زمینه انجام داده است [1،2]. طبق گزارش آژانس بین المللی انرژی (IEA)، بخش ساختمان تقریباً 40 درصد از مصرف انرژی، 36 درصد از انتشار دی اکسید کربن و 50 درصد از تقاضای برق در سراسر جهان را تشکیل می دهد [3]. وضعیت در کشورهای در حال توسعه حتی شدیدتر است [4]. همانطور که در گزارش تحقیقاتی مصرف انرژی ساختمان و انتشار کربن در سال 2021 به طور متقاعدکننده ای نشان داده شده است، ساختمان ها مسئول 46٪ از کل مصرف انرژی نهایی چین هستند [5]. علاوه بر طراحی ساختمان‌های جدید صرفه‌جویی در مصرف انرژی، افزایش کارایی انرژی ساختمان‌های موجود برای کاهش چشمگیر اثرات نامطلوب زیست‌محیطی ساختمان‌ها ضروری است، که در این میان مقاوم‌سازی سبز ساختمان‌های موجود می‌تواند این مشکل را به شیوه‌ای بسیار مؤثر کاهش دهد. تحقیقات در زمینه های مرتبط در کشورهای مختلف مانند آلمان [6]، سنگاپور [7]، انگلستان [8] و ایالات متحده [9] انجام شده است. با این وجود، تحقیقات در کشورهای توسعه یافته بیشتر از کشورهای در حال توسعه است. هنوز موانع خاصی بر سر راه ترویج مقاوم سازی سبز در کشورهای در حال توسعه وجود دارد، بنابراین روش های جدیدی به تدریج برای رسیدگی به مسائلی که در کل فرآیند مقاوم سازی ساختمان از طراحی اولیه تا ارزیابی نهایی ایجاد می شوند، ظهور می کنند [10،11].

اتخاذ انواع مختلف اقدامات مقاوم‌سازی سبز، از جمله تجهیزات بهره‌وری انرژی، سیستم‌های انرژی تجدیدپذیر و کنترل‌های پیشرفته، تأثیر مستقیمی بر اثر نهایی مقاوم‌سازی سبز خواهد داشت [12،13]. هنگام اجرای استراتژی های مقاوم سازی، اتخاذ تصمیمات مناسب برای دستیابی به اهداف انرژی، اقتصادی و زیست محیطی ضروری است [14]. تصمیم گیری چند معیاره (MCDM) به طور جهانی برای ارائه استراتژی های بهینه مقاوم سازی سبز به کار گرفته شده است. علاوه بر این، ارزیابی ریسک و ابزارهای تحلیل اقتصادی ابزار استاندارد برای مقایسه جایگزین‌های مختلف مقاوم‌سازی هستند [15،16]. این مطالعات پایه محکمی برای بهبود اثربخشی تصمیم‌گیری مقاوم‌سازی سبز ایجاد کرده‌اند. با این حال، از آنجایی که فرآیند تصمیم‌گیری شامل عوامل عملی متعددی می‌شود، مدل‌های کمی ریاضی ممکن است موقعیت‌های واقعی را منعکس نکنند، زیرا مبتنی بر مفروضات مختلف هستند [17]. علاوه بر این، در حال حاضر هیچ مجموعه ای از قوانین و فرمول های کلی برای تعیین کمیت رابطه بین ویژگی های ساختمان و اقدامات مقاوم سازی اتخاذ شده وجود ندارد. در نتیجه، تصمیم‌گیری در مورد مقاوم‌سازی سبز ساختمان‌های موجود به عنوان یک «مشکل نیمه ساختاریافته» در نظر گرفته می‌شود [18]. اگرچه دانش صریح تدوین شده در استانداردهای صنعت اغلب در طراحی اولیه بهسازی استفاده می شود، دانش ضمنی، مانند تجربه و مهارت های کارشناسان، معمولاً برای بیان ساختاری چالش برانگیز است [18]. بنابراین، مشکلات خاصی هنوز وجود دارد و مستلزم اقدامات متقابل مناسب در مورد چگونگی کشف و استفاده از دانش ضمنی برای پشتیبانی از تجزیه و تحلیل و ارزیابی مقاوم‌سازی سبز و اطمینان از اطمینان و استحکام در تصمیم‌گیری است.

تصدیق می شود که پروژه های تکمیل شده مقاوم سازی سبز تجربه مرجع عظیمی را جمع آوری کرده اند [19،20]. با این حال، شرایط فعلی ساختمان‌های موجود با شرایط ساختمان‌های هدف جدید، از جمله سن، ساختار، مصرف انرژی و غیره متفاوت است. در نتیجه، منطقی است که مکانیزم‌های تطبیق مناسب را برای انتخاب موارد موجود با ویژگی‌های مشابه برای مرجع در هنگام مواجهه با یک ساختمان مقاوم‌سازی هدف جدید به کار ببریم. به عنوان یک شاخه به تدریج بالغ در زمینه هوش مصنوعی، استدلال مبتنی بر مورد (CBR) می تواند موارد مشابه را از پایگاه داده موردی بازیابی کند. ثابت شده است که به مشکلات نیمه ساختار یافته کمک می کند [21،22] و در زمینه ساخت و ساز کاربرد دارد. از آنجایی که دانش ضمنی معمولاً در موارد موجود گنجانده می‌شود و می‌توان آن را به موارد جدید با زمینه‌های مشابه تعمیم داد، CBR می‌تواند با استفاده از دانش موارد قبلی، مشکلاتی را که از قوانین استثنا هستند، حل کند [18]. علاوه بر این، CBR همچنین می‌تواند دانش صریح را در فرآیند حل مسئله در هنگام ترکیب با سایر ابزارهای مدیریت دانش، ترکیب کند، در نتیجه توسعه‌پذیری روش را بهبود می‌بخشد [23].

علیرغم این واقعیت که CBR یک چارچوب متدولوژی اجرایی را ارائه می‌کند، چالش‌های زیادی در بخش‌های مختلف مانند اندازه‌گیری فاصله، انتخاب ویژگی‌ها، تخصیص وزن‌ها و آستانه موارد استفاده مجدد باقی می‌ماند [[24]، [25]، [26]. در حال حاضر، به ندرت رویکردهای واحدی برای جمع‌آوری و استانداردسازی اطلاعات متنی موارد مقاوم‌سازی سبز ساختمان‌های موجود یافت شده است، که استفاده از اطلاعات را کارآمدتر می‌کند و ارزش مرجع را برای تصمیم‌گیرندگان کمتر قابل توجه می‌کند. ذکر این نکته ضروری است که CBR دارای معایب ذاتی خود است، یعنی صرفاً می تواند اقدامات مورد استفاده در موارد موجود را انتخاب کند و نمی تواند اقدامات جدیدی ایجاد کند. با این حال، به دلیل توسعه فناوری، اقدامات مقاوم سازی موارد بازیابی شده توسط CBR ممکن است برای ساختمان هدف جدید قابل اجرا نباشد زیرا قدیمی هستند. تحت چنین شرایطی، مرحله بازبینی پرونده CBR بسیار مهم است، زیرا اقدامات مورد بازیابی شده را می توان بر اساس شرایط خاص مورد هدف اصلاح کرد. وقتی صحبت از برنامه CBR می شود، مشکلی در مورد چگونگی غربالگری نوع اقداماتی که نیاز به بازنگری دارند و تصمیم نهایی برای مقاوم سازی مطابق با الزامات ذینفعان اتخاذ می شود، ظاهر می شود. مطالعات متعددی استفاده از روش‌های هوش مصنوعی دیگر را برای بهینه‌سازی مراحل CBR پیشنهاد کرده‌اند [27،28]. این مطالعه سعی دارد جنگل تصادفی (RF) را برای حل مشکل در مرحله بازنگری مورد معرفی کند. به عنوان یک روش اصلی یادگیری ماشین (ML)، رتبه بندی اهمیت و عملکرد طبقه بندی کننده RF می تواند اطلاعات مفیدتری را برای تصمیم گیرندگان فراهم کند.

هدف این مطالعه توسعه یک رویکرد جدید مبتنی بر CBR و RF برای انتخاب اقدامات مقاوم‌سازی سبز و توسعه بیشتر استراتژی‌های مقاوم‌سازی در مرحله طراحی اولیه است. رویکرد پیشنهادی استانداردسازی و استفاده متقابل پلتفرمی از اطلاعات متنی را در موارد موجود تسهیل می‌کند. مهمتر از آن، با استفاده از دانش ضمنی از موارد موجود، تحقیقات ما یک راه حل کاربردی و هوشمندانه برای مشکل تصمیم گیری نیمه ساختار یافته مقاوم سازی سبز ارائه می دهد. برای تحقق بحث فوق، اهداف تحقیق ما در زیر مشخص شده است: (1) ایجاد یک پایگاه داده موردی از پروژه های مقاوم سازی سبز که می تواند بیان موارد را استاندارد کند. (2) توسعه یک ماژول CBR برای بازیابی موارد مشابه از پایگاه های داده. (3) ادغام RF در مرحله بازنگری و حفظ پرونده CBR برای رسیدگی به مسئله اقدامات بازیابی منسوخ شده؛ (4) طراحی روش های تجربی برای اعتبار سنجی رویکرد توصیه شده در موارد عملی.

بخش باقی مانده از این مقاله به شرح زیر سازماندهی شده است: ادبیات مرتبط در بخش 2 بررسی می شود. بخش 3 مراحل خاص اجرای CBR-RF را شرح می دهد، از جمله بیان موارد در پایگاه داده پرونده، طرح بازیابی مورد، منطق ترکیب CBR و RF و روش اعتبارسنجی مدل نتایج مطالعه موردی در بخش 4 ارائه شده است. ما نتایج را در بخش 5 مورد بحث قرار می دهیم و نتیجه را در بخش 6 ارائه می دهیم.