A hybrid numerical-neural-network model for building simulation: A case study for the simulation of unheated and uncooled indoor temperature

این مقاله یک مدل ترکیبی عددی-عصبی شبکه ای ارائه می دهد که براساس شبیه سازی دما و رطوبت در محیط داخلی و خنک نشده برای ساختمان ها طراحی شده است. این مدل با شبیه سازی عددی آغاز می شود و سپس خروجی به کالیبراسیون به شبکه عصبی منتقل می شود. این رویکرد از هر دو مدل عددی و شبکه عصبی بهره می برد و می تواند تاثیرات پارامترهای خاصی را بر عملکرد ساختمان ها بدون به خطر انداختن دقت و تعمیم پذیری تجزیه و تحلیل کند. یک مطالعه تجربی با استفاده از شبیه سازی دمای داخلی و بدون دمای اتاق خنک کننده در یک سالن ورزشی با میزان تهویه غیر عامل ساعت که تقریبا نیمی از میزان ساعت کارکرد آن است، انجام شد. چند مورد مورد بررسی قرار گرفتند. دمای محیط شبیه سازی شده توسط مدل ترکیبی دقیق تر از پیش بینی های مدل عددی به تنهایی برای همه موارد بود. به طور خاص، نتایج نشان می دهد که مدل ترکیبی می تواند در مورد یک پارامتر ساختمان که تنها در مقدار داده های آموزشی دارای یک مقدار ثابت است، که یک مدل شبکه عصبی متعارف نمی تواند این کار را انجام دهد. مهمتر از همه، مدل ترکیبی برای سایر شبیه سازی های ساختمان سازگار است، که ارزش اصلی این مدل است.