کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6679842 | 1428063 | 2018 | 15 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
Component-based machine learning for performance prediction in building design
ترجمه فارسی عنوان
یادگیری ماشین بر مبنای کامپوننت برای پیش بینی عملکرد در طراحی ساختمان
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
یادگیری ماشین مبتنی بر کامپوننت، مهندسی سیستم ها، مدل سازی پارامتریک سیستم، پیش بینی عملکرد ساختمان، شبیه سازی ساختمان،
ترجمه چکیده
یادگیری ماشین به طور فزاینده ای برای پیش بینی عملکرد ساختمان مورد استفاده قرار می گیرد. این جایگزین شبیه سازی عملکرد ساختمان می شود و برای تجزیه و تحلیل داده ها استفاده می شود. مزایای عمده عبارتند از ساده سازی مدل های پیش بینی شده و کاهش قابل توجه در زمان محاسبه. با این حال، مدل های یکپارچه تمام ساختمان از انتقال محدود مدل ها و داده های آنها به زمینه های دیگر رنج می برند. این یک محدودیت حیاتی در استفاده از یادگیری ماشین در طراحی ساختمان است. در این مقاله، ما یک رویکرد مبتنی بر جزء ارائه می دهیم که مدل های یادگیری ماشین را توسعه می دهد نه فقط برای یک طراحی کلی ساختمان پارامتری، بلکه برای اجزای پارامتر شده طراحی نیز هست. دو سطح تجزیه، از جمله اجزای سطح ساخت و ساز (دیوار، پنجره، طبقه، سقف، و غیره) و اجزای سطح منطقه مورد بررسی قرار می گیرند. نتایج در موارد آزمون نشان می دهد که با توجه به مواردی که از پرونده آموزش و داده های آنها متفاوت است، کیفیت پیش بینی های بالا ممکن است با اشتباهات به میزان 3.7٪ برای خنک کننده و 3.9٪ برای گرمایش به دست آید.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
مهندسی انرژی و فناوری های برق
چکیده انگلیسی
Machine learning is increasingly being used to predict building performance. It replaces building performance simulation, and is used for data analytics. Major benefits include the simplification of prediction models and a dramatic reduction in computation times. However, the monolithic whole-building models suffer from a limited transfer of models and their data to other contexts. This imposes a vital limitation on the application of machine learning in building design. In this paper, we present a component-based approach that develops machine learning models not only for a parameterized whole building design, but for parameterized components of the design as well. Two decomposition levels, namely construction level components (wall, windows, floors, roof, etc.), and zone-level components, are examined. Results in test cases show that, depending on how far the cases deviate from the training case and its data, high prediction quality may be achieved with errors as low as 3.7% for cooling and 3.9% for heating.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Applied Energy - Volume 228, 15 October 2018, Pages 1439-1453
Journal: Applied Energy - Volume 228, 15 October 2018, Pages 1439-1453
نویسندگان
Philipp Geyer, Sundaravelpandian Singaravel,