کد مقاله | کد نشریه | سال انتشار | مقاله انگلیسی | نسخه تمام متن |
---|---|---|---|---|
6700448 | 502544 | 2014 | 14 صفحه PDF | دانلود رایگان |
عنوان انگلیسی مقاله ISI
A data-mining approach to discover patterns of window opening and closing behavior in offices
ترجمه فارسی عنوان
روش داده کاوی برای کشف الگوهای باز کردن و بستن پنجره در دفاتر
دانلود مقاله + سفارش ترجمه
دانلود مقاله ISI انگلیسی
رایگان برای ایرانیان
کلمات کلیدی
داده کاوی، الگوی رفتاری، رفتار شغلی، ساختمان های اداری، بستن پنجره، باز کردن پنجره،
ترجمه چکیده
درک ارتباط بین رفتارهای ساکنان و مصرف انرژی مصرفی یکی از موثرترین راه ها برای پر کردن شکاف بین پیش بینی شده و مصرف انرژی واقعی در ساختمان ها است. با این وجود، روشهای مؤثر برای حذف تاثیر متغیرهای دیگر بر مصرف انرژی و اهرم کردن اهرم فاکتور انسانی دقیقا هنوز به طور ضعیفی بررسی شده است. علاوه بر این، اثربخشی رویکردهای آماری و داده کاوی در پیدا کردن همبستگی معنی دار در داده ها تا حد زیادی در ادبیات مورد بحث قرار نگرفته است. این مطالعه چارچوبی را برای تجزیه و تحلیل آماری با دو تکنیک استخراج داده ها، تجزیه و تحلیل خوشه ای و قاعده قوانین انجمن، برای شناسایی الگوهای عملیاتی پنجره در داده های اندازه گیری، ایجاد می کند. تجزیه و تحلیل بر روی مجموعه داده ها با پارامترهای فیزیکی محیطی و فضای باز اندازه گیری شده و تعامل انسان با پنجره های قابل اجرا در 16 دفاتر انجام می شود. ابتدا رگرسیون لجستیک برای شناسایی عوامل موثر بر باز شدن پنجره و بستن رفتار استفاده می شود. روش های خوشه بندی برای به دست آوردن الگوهای رفتاری متمایز، از جمله انگیزشی، باز کردن مدت، تعامل و الگوهای موقعیت پنجره استفاده می شود. در نهایت الگوهای خوشه ای، پایه ای برای قوانین انجمنی است که رفتارهای باز کردن پنجره را به دو پروفایل کاربری کاربر دفترچه ای تقسیم بندی می کنند که برای آن انواع استراتژی تهویه طبیعی و همچنین توصیه های طراحی ساختمان قوی است که ممکن است مناسب باشد. علاوه بر این، پروفیل های کاربر کارآمد تشخیص داده شده، ورود اطلاعات دقیقتری را برای ایجاد برنامه های مدل سازی انرژی، برای بررسی اثرات سناریوهای رفتار باز کردن پنجره های معمول بر مصرف انرژی، راحتی و بهره وری در ساختمان های اداری نشان می دهد.
موضوعات مرتبط
مهندسی و علوم پایه
مهندسی انرژی
انرژی های تجدید پذیر، توسعه پایدار و محیط زیست
چکیده انگلیسی
Understanding the relationship between occupant behaviors and building energy consumption is one of the most effective ways to bridge the gap between predicted and actual energy consumption in buildings. However effective methodologies to remove the impact of other variables on building energy consumption and isolate the leverage of the human factor precisely are still poorly investigated. Moreover, the effectiveness of statistical and data mining approaches in finding meaningful correlations in data is largely undiscussed in literature. This study develops a framework combining statistical analysis with two data-mining techniques, cluster analysis and association rules mining, to identify valid window operational patterns in measured data. Analyses are performed on a data set with measured indoor and outdoor physical parameters and human interaction with operable windows in 16 offices. Logistic regression was first used to identify factors influencing window opening and closing behavior. Clustering procedures were employed to obtain distinct behavioral patterns, including motivational, opening duration, interactivity and window position patterns. Finally the clustered patterns constituted a base for association rules segmenting the window opening behaviors into two archetypal office user profiles for which different natural ventilation strategies as well as robust building design recommendations that may be appropriate. Moreover, discerned working user profiles represent more accurate input to building energy modeling programs, to investigate the impacts of typical window opening behavior scenarios on energy use, thermal comfort and productivity in office buildings.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Building and Environment - Volume 82, December 2014, Pages 726-739
Journal: Building and Environment - Volume 82, December 2014, Pages 726-739
نویسندگان
Simona D'Oca, Tianzhen Hong,