محققان دانشگاه Loughborough با همکاری Cundall یک سیستم هوش مصنوعی (AI)ایجاد کردند که به پیش بینی عملکرد انرژی ساختمان ها کمک می کند.

سیستم AI می تواند یک پیش بینی تقریباً فوری از میزان انتشار ساختمان (BER) برای استفاده در محاسبه عملکرد انرژی ساختمانهای غیر خانگی ایجاد کند. روشهای فعلی ممکن است چند ساعت تا چند روز طول بکشد تا BER تولید کند و با وارد کردن دستی صدها متغیر ایجاد می شود.

دکتر جورجینا کوزما ، یک مدل هوش مصنوعی را برای پیش بینی مقادیر BER با 27 ورودی با کمی کاهش دقت طراحی و آموزش داده اند.

در بریتانیا ، هر زمان که یک ساختمان فروخته ، اجاره یا ساخته می شود ، یک EPC باید تکمیل شود. این نشانگر بهره وری انرژی یک ساختمان است که حاوی اطلاعاتی در مورد هزینه های معمول انرژی ساختمان میباشدو راه هایی را برای صرفه جویی بیشتر در ساختمان پیشنهاد می کند.

یکی از مقادیر کلیدی  رتبه دارایی است-عددی که انرژی کلی را برای ساختمان ارائه می دهد و برای سهولت تفسیر ، عدد به صورت نوار (A+ تا G) و رنگ بندی شده است. با این حال ، تولید این رتبه بندی می تواند یک فرآیند کند باشد زیرا محاسبه نیاز به نرخ انتشار ساختمان (BER) دارد - که بسته به پیچیدگی ساختمان ، تولید آن از ساعت ها تا روزها طول می کشد.

کوزما و تیمش نشان می دهند که سیستم هوش مصنوعی آنها می تواند BER را برای ساختمانهای غیر خانگی در کمتر از یک ثانیه و با تنها 27 متغیر با کمی از دست دادن دقت تولید کند-که این کار را به یک فرایند بسیار سریعتر و کارآمد تبدیل می کند. آنها از یک الگوریتم ماشین "مجموعه مبتنی بر درخت تصمیم" استفاده کردند و سیستم را با استفاده از 81،137 پرونده داده واقعی که حاوی اطلاعات ساختمانهای غیر خانگی در کل انگلستان از سال 2010 تا 2019 است ، ساخته و اعتبار بخشیدند.

داده ها حاوی اطلاعاتی مانند ظرفیت ساختمان ، مکان ، گرمایش ، سرمایش ، روشنایی و فعالیت می باشد.

این تیم بر محاسبه نرخ ساختمانهای غیر خانگی-مانند مغازه ها ، ادارات ، کارخانه ها ، مدارس ، رستورانها ، بیمارستانها و موسسات فرهنگی-تمرکز کرد ، زیرا اینها برخی از ناکارآمدترین ساختمانها در بریتانیا از نظر مصرف انرژی هستند ، بنابراین درک چگونگی بهبود کارایی آنها می تواند در مراحل طراحی و نوسازی مفید باشد.

224000509.170