Folliard Alumni centro prieškambaryje yra stiklinės sienos. Kreditas: Floridos technologijos institutas Daugiau nei 40 % visų JAV energijos suvartojimo ir šiltnamio efektą sukeliančių dujų išmetimo yra susiję su statybų sektoriumi. Florida Tech mokslininkų atliktas tyrimas tiria, ar mašininis mokymasis gali padėti sumažinti šį poveikį aplinkai.
Tyrimas buvo pristatytas straipsnyje, paskelbtame žurnalo sausio mėnesio numeryje Energijos pavadinimu „Naujas požiūris optimizuojant pastatų energijos modelius naudojant mašininio mokymosi algoritmus“. Tyrimo autoriai Hamidreza Najafi, mechanikos ir inžinerijos docentas, ir Benjaminas Kubwimana, mechanikos inžinerijos magistro absolventas, abu iš Florida Tech, tyrime naudojamas naujas pastato energijos modeliavimo (BEM) ir pastato energijos modelių optimizavimo metodas.
Dabartinė pastato energijos modeliavimo programinės įrangos praktika reikalauja daug rankiniu būdu įvesti didelių detalių įvesties sąrašų – projektavimo ir eksploatacinių kintamųjų, įskaitant pastato charakteristikas, pvz., sienų, pastato apvalkalo ir langų medžiagas, arba eksploatacinius parametrus, pvz., nustatytą temperatūrą. Skirtingoms šiluminėms zonoms.
„Kalbant apie BEM optimizavimą, tai yra gana sudėtinga dėl daugybės BEM kintamųjų ir galimybės sukurti BEM su tūkstančiais ar milijonais skirtingų šių kintamųjų derinių“, – sakė Najafi. „Kad būtų pasiektas tikrai optimalus pastato projektas, reikia įvertinti visus šiuos galimus projektinius/eksploatacinius parametrus, o tai skaičiuojant yra labai brangu ir dažnai neįmanoma.
Najafi ir Kubwimana darbas susijęs su Python kalbos programinės įrangos scenarijaus kūrimu, kuris leidžia automatiškai įvesti duomenis į fizikos pagrindu sukurtą pastato energijos modeliavimo įrankį, pavadintą EnergyPlus. Naudojant kintamųjų seriją kaip įvestis per šį Python scenarijų, apima daug įvairių parametrų, todėl sukuriami dideli duomenų rinkiniai, kuriuos galima naudoti kuriant pakaitinio energijos modeliavimo modelį.
Tada naudojant šiuos duomenų rinkinius apmokomas duomenimis pagrįstas modelis, naudojant mašininio mokymosi algoritmus, ypač dirbtinius neuroninius tinklus. Pakaitiniame modelyje taikomi du optimizavimo metodai – genetinis algoritmas ir Bajeso optimizavimas, kad būtų pasiektas optimalus pastato dizainas. Metodą galima lengvai pritaikyti atsižvelgiant į skirtingus dizaino ar eksploatacinius parametrus.
„Šis procesas gali būti automatizuotas, todėl duomenys iš pastato jutiklių gali būti pateikiami į kompiuterinius modelius, kad būtų lengviau pritaikyti skaitmeninį dvynį prie esamos pastato eksploatacinės būklės“, – sakė Najafi. „Tai galėtų padėti pastato savininkui numatyti, kiek energijos jie sunaudos, atsižvelgdami į galimus eksploatacinių parametrų pokyčius. Tai leidžia tinkamai planuoti energijos sąnaudų biudžetą, numatyti energijos suvartojimą ir gamybą, taip pat kaip CO sumažinimas2 generavimas, susijęs su energijos taupymu“.
Šis tyrimas buvo dalis platesnių pastangų tobulinti BEM ir išplėsti jų taikymą. Patobulinti BEM gali būti naudojami kaip skaitmeniniai pastatų dvyniai ir suteikia vertę savininkams ir kūrėjams ne tik prieš statant, bet ir per visą pastato gyvavimo laikotarpį. Tas tyrimas buvo paskelbtas ASME tvarių pastatų ir miestų inžinerijos žurnalas 2022 metų gruodžio mėnesį.
„Šiame tyrime kartu su viena iš mano doktorantų Mariana Migliori tyrėme COVID-19 poveikį pastatų energiniam naudingumui ir kaip pritaikyti BEM, kad jie išliktų tikslūs pasikeitus eksploatacinei būklei. Najafi pasakė. „Mes atlikome atvejo tyrimą, pagrįstą duomenimis, kuriuos surinkome iš Floridos Technologijos Folliard Alumni centro, taip pat fizikos modeliais, kuriuos anksčiau sukūrėme pastatui, ir galėjome sukurti duomenimis pagrįstą modelį, kuris galėtų prisitaikyti prie naujų darbo sąlygas, atsižvelgiant į COVID-19 situaciją su pailgintu ŠVOK sistemų darbo laiku ir pasikeitus užimtumo tvarkaraščiui.
Daugiau informacijos: Benjamin Kubwimana ir kt., Naujas pastato energijos modelių optimizavimo metodas naudojant mašininio mokymosi algoritmus, Energijos (2023). DOI: 10.3390/en16031033
Citata: Mašinų mokymasis gali atlikti svarbų vaidmenį kuriant energijos modelius (2023 m. balandžio 7 d.), gautas 2023 m. balandžio 9 d. iš https://techxplore.com/news/2023-04-machine-play-role-energy.html
Šis dokumentas yra saugomas autorių teisių. Išskyrus bet kokius sąžiningus sandorius privačių studijų ar mokslinių tyrimų tikslais, jokia dalis negali būti atkuriama be raštiško leidimo. Turinys pateikiamas tik informaciniais tikslais.
