کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
10145818 1646369 2018 17 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Improving the quality of building spaces that are planned mainly on loads rather than residents: Human comfort and energy savings for warehouses
ترجمه فارسی عنوان
بهبود کیفیت فضاهای ساختمان که عمدتا بر روی بارها به جای ساکنان برنامه ریزی شده است: آسایش انسان و صرفه جویی در انرژی برای انبارها
کلمات کلیدی
استفاده از انرژی، راحتی حرارتی، فضاهای ساختمان، انبار، شبکه های عصبی مصنوعی، ساختمان هوشمند،
ترجمه چکیده
این تحقیق برای ساخت یک انبار برای رفع نارضایتی حرارتی و استفاده از انرژی از طریق تجزیه و تحلیل زمان واقعی شبکه ارائه می دهد. برای بهینه سازی تامین حرارت و خنک سازی، یک الگوریتم برای کنترل همزمان مقدار هوا و دمای آن طراحی شده است و یک مدل شبکه عصبی که الگوریتم یاد می گیرد تولید می شود. همچنین یک الگوریتم داخلی برای راحتی حرارتی تحلیل سطوح درجه حرارت در زمان واقعی و تصحیح سیگنال های کنترل مدل برای کاهش نارضایتی حرارتی. با مقایسه نتایج، این تحقیق مزایای مدل شبکه عصبی را با برآورد راحتی حرارتی بدست می آورد. این مدل نارضایتی حرارتی را 21.2٪ کاهش می دهد و مصرف انرژی را 6.4٪ کاهش می دهد در مقایسه با کنترلر ترموستات روشن / خاموش معمولی که در بیشتر ساختمان ها مجهز است. بدون تداوم راحتی حرارتی برای کارگران، مدل پیشنهادی که شامل دو ساختار مستقل برای بهینه سازی تهویه هوا و ارزیابی راحتی حرارتی می تواند به بهبود عملکرد حرارتی انبارها کمک کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
This research proposes a study for a warehouse building to mitigate both thermal dissatisfaction and energy use through the network based real-time analysis. In order to optimize heating and cooling supply, an algorithm for simultaneous control of the amount of air and its temperature is designed, and a neural network model that learns the algorithm is generated. Also, an inner algorithm for thermal comfort analyses real-time temperature levels and rectifies the model's control signals to mitigate thermal dissatisfaction. By comparing results, this research concludes advantages of a neural network model with estimating thermal comfort. The model reduces thermal dissatisfaction by 21.2% and saves energy use by 6.4% in comparison with the conventional thermostat on/off controller equipped in most buildings. Without compromising thermal comfort for workers, the proposed model that consists of two independent structures for optimizing supply air and estimating thermal comfort can contribute to the improvement of thermal performance for warehouses.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy and Buildings - Volume 178, 1 November 2018, Pages 38-48
نویسندگان
, , ,