ابزار پشتيبان تصميم گيري براي طراحي ساختمان هاي مسكوني كم مصرف در مراحل اوليه برنامه ريزي و طراحي

A Decision Support Tool for Designing Energy-efficient Residential Buildings at the Early Planning and Design Stage

پيش بيني مصرف انرژي ساختمان در مرحله طراحي ضروري است. زيرا به تخمين هزينه هاي عمليات ساختمان كمك مي كند. امروزه بيشتر پيش بيني هاي فعلي انرژي ساختمان بر روي يك نرم افزار شبيه سازي انرژي ساختمان انجام مي شود. چنين نرم افزارهاي شبيه سازي معمولاً براي انجام محاسبات مهندسي دقيق از پيش برنامه ريزي مي شوند. با اين حال، به دليل در دسترس نبودن فاكتورهاي ساختماني دقيق در مرحله طراحي اوليه، نرم افزار شبيه سازي انرژي ساختمان تمايل به ايجاد اختلاف زيادي بين نتايج پيش بيني شده و مصرف واقعي دارد. يادگيري ماشيني يك تكنيك اميدواركننده در حوزه‌هاي طبقه‌بندي و پيش‌بيني است. الگوريتم هايي مانند شبكه عصبي مصنوعي (ANN)، جنگل تصادفي (RF) و ماشين بردار پشتيباني (SVM)، به طور گسترده به عنوان ابزارهاي پيش بيني در زمينه هاي مختلف مانند لجستيك، خرده فروشي، خدمات مالي و مخابرات مورد استفاده قرار گرفته اند. اين تحقيق يك رويكرد جديد مبتني بر الگوريتم‌هاي يادگيري ماشين براي كاهش هزينه‌هاي انرژي ساختمان‌ها در حين كار ارائه مي‌كند. اين مدل پيش‌بيني انرژي پيشنهادي چهار الگوريتم شامل رگرسيون چند متغيره (MVR)، بهينه‌سازي حداقل متوالي (SMO)، ANN و RF را تركيب مي‌كند. مدل ساخته شده با الگوريتم تركيبي، پيش بيني دقيق و سريع مصرف انرژي را ارائه مي دهد. با استفاده از اين مدل، طراحان مي توانند مصرف انرژي جايگزين هاي مختلف طراحي را در مراحل اوليه طراحي كمي كنند. هزينه هاي انرژي ساختمان را مي توان با انتخاب طرح با حداقل مصرف انرژي در ميان گزينه هاي ديگر كاهش داد. مدل پيش بيني بر اساس مجموعه بزرگي از داده‌هاي جمع‌آوري‌شده توسط دفتر بهره‌وري انرژي، منابع طبيعي كانادا، دولت كانادا، توسعه و آزمايش شده است. عملكرد مدل پيشنهادي با مدل‌هاي توسعه‌يافته درادبيات قبلي مقايسه مي‌شود و كاربرد مدل بااستفاده از نمونه‌هاي طراحي ساختمان نشان داده مي‌شود.