دانلود پایان نامه کاربردهای هوش مصنوعی در کاهش مصرف انرژی ساختمان

1. فصل1. مقدمه 2. فصل2. مروری بر مقالات 3. فصل3. روش تحقیق 4. فصل4. نتایج 5. فصل5. خلاصه، نتیجه گیری ها، و توصیه ها

چکیده – موسسه بین المللی انرژی (IEA) برآورد می کند که ساختمان های مسکونی و تجاری 40% انرژی جهان را مصرف می کنند و 24 درصد CO2 را منتشر می کنند. پارامترهای طراحی و مکان ساختمان تاثیر زیادی بر مصرف انرژی دارند. تنظیم پارامترها و مشخصه های ساختمانی به روشی بهینه، به کاهش مصرف انرژی و ساخت ساختمان های با مصرف بهینه کمک می کند. بنابراین بررسی تاثیر عوامل موثر برای کاهش مصرف انرژی ساختمان ضروری است. برای این کار برنامه های کاربردی هوش مصنوعی مانند هوش مصنوعی قابل توضیح (XAI) و یادگیری ماشین (ML) مشخصه های مهم ساختمانی برای کاهش انرژی ساختمان ها را شناسایی کرد. این کار با بررسی ضریب مشخصه های مختلف ساختمانی انجام می شود که روی مصرف انرژی ساختمان تاثیر می گذارد. به همین دلیل اهمیت نسبی مشخصه های ورودی موثر بر مصرف انرژی ساختمان بررسی می شود. تاثیر متغیرهای ورودی بر مصرف انرژی ساختمان مسکونی هم بررسی می شود. همچنین وابستگی ها و روابط میان متغیرهای ورودی ساختمان های مسکونی بررسی شد. در نهایت، این مطالعه تاثیر مشخصه های مکانی بر مصرف انرژی سرمایشی در ساختمان های مسکونی را بررسی کرد. برای تحلیل داده های مصرف انرژی، سه مجموعه داده به نام های پیمایش مصرف انرژی ساختمان تجاری (CBECS) جمع آوری شده در سال های 2012 و 2018، مجموعه داده بازدهی انرژی دانشگاه ایروین کالیفرنیا (UCI)، و داده های بار تجاری (CLD) بکار گرفته شد. به این منظور از پایتون و WEKA استفاده شد. جنگل تصادفی، رگرسیون خطی، شبکه های بیزین، و رگرسیون لجستیک مصرف انرژی را با استفاده از این مجموعه داده ها پیش بینی کردند. همچنین آزمون های آماری مانند آزمون مجموع رتبه ویلکوکسون برای اختلاف های قابل توجهی میان مجموعه داده های خاص بررسی شد. یک کتابخانه پایتون به نام Shapash نمودارهای مهم مشخصه را ایجاد کرد. نتایج نشان داد که روزهای نیازمند سرمایش مهم ترین مشخصه در پیش بینی بار سرمایش با سهم مقداری 34.29% (2018) و 19.68% (2012) هستند. همچنین بررسی تاثیر پارامترهای ساختمانی بر مصرف انرژی نشان داد که محل ساختمان هم با حاشیه خطای 0.05 بر مصرف انرژی تاثیر دارد. تحلیل پیشنهادی برای کاربردهای دنیای واقعی و ساخت ساختمان های با مصرف بهینه سودمند است.

The International Energy Agency (IEA) estimates that residential and commercial buildings consume 40% of global energy and emit 24% of CO2. A building's design parameters and location significantly impact its energy usage. Adjusting the building parameters and features in an optimum way helps to reduce energy usage and to build energy-efficient buildings. Hence, analyzing the impact of influencing factors is critical to reduce building energy usage. Towards this, artificial intelligence applications, such as Explainable Artificial Intelligence (XAI) and machine learning (ML) identified the key building features to reduce building energy. This is done by analyzing the efficiencies of various building features that impact building energy consumption. For this, the relative importance of input features impacting commercial building energy usage is investigated. Also analyzed is the parametric analysis of the impact of input variables on residential building energy usage. Furthermore, the dependencies and relationships between the design variables of residential buildings were examined. Finally, the study analyzed the impact of location features on cooling energy usage in commercial buildings. For the purpose of energy consumption data analysis, three datasets, named the Commercial Building Energy Consumption Survey (CBECS) datasets gathered in 2012 and 2018, University of California Irvine (UCI) energy efficiency dataset, and Commercial Load Data (CLD) were utilized. For this, Python and WEKA were used. Random Forest, Linear Regression, Bayesian Networks, and Logistic Regression predicted energy consumption using datasets. Moreover, statistical tests, such as the Wilcoxon-rank sum test were analyzed for the significant differences between specific datasets. Shapash, a Python library, created the feature important graphs. The results indicated that cooling degree days are the most important feature in predicting cooling load with contribution values 34.29% (2018) and 19.68% (2012). Also, analyzing the impact of building parameters on energy usage indicated that 50% of overall height reduction achieves a reduction of heating load by 64.56% and cooling load by 57.47%. Also, the Wilcoxon-rank sum test indicated that the location of the building also impacts energy consumption with a 0.05 error margin. The proposed analysis is beneficial for real-world applications and energy-efficient building construction.

ترجمه این پایان نامه در 95 صفحه آماده شده و در ادامه نیز صفحه 33 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.

تاثیر تغییر اقلیم، عمیق است و بر هر چیز زنده روی سیاره اثرگذار است. گرمایش جهانی جزئی از تغییر اقلیم است که نشان دهنده تغییر دمای متوسط سطح زمین است. مصرف فزاینده انرژی برق یکی از دلایل اصلی انتشار گازهای گلخانه ای است که گرمایش جهانی را تقویت می­کند. دی اکسید کربن (CO₂) مهم ترین گاز گلخانه ای است که بر گرمایش جهانی تاثیر دارد و انتشار آن در طول سال افزایش مداوم داشته است. برای نمونه انتشار CO₂ از اتمسفر جهانی در سال 2019 به میزان 45% بیشتر از انتشار آن بین سال های 1990-1980 بود. همچنین دو برابر شدن میزان CO₂ دمای جهانی را تا ^°C 3.8 افزایش خواهد داد.

سه بخش اصلی اقتصادی عبارتند از ساختمان سازی، حمل و نقل و صنعت. در میان این سه بخش، بخش ساخت و ساز بخش قابل توجهی از انرژی را مصرف می کند. موسسه بین المللی انرژی (IEA) برآورد می­کند ساختمان­ها 40% کل انرژی را مصرف می­کنند و مسئول 24% از انتشار جهانی CO₂ هستند. بخش ساخت و ساز شامل 41% مصرف کل انرژی است، در حالی که در ایالات متحده صنعت و حمل و نقل به ترتیب 30 و 39% انرژی را مصرف می­کنند. بنابراین کاهش مصرف انرژی ساختمان سازی ضروری است.

ساختمان­ها دو نوع متفاوت دارند: مسکونی و تجاری. ساختمان­های تجاری شامل انواع ادارات، فروشگاه­های بزرگ، بیمارستان­ها، هتل­ها، و بسیاری ساختمان­های دیگر می شوند. با توجه به آمار اداره انرژی ایالات متحده، ساختمان­های مسکونی و تجاری تا سال 2010 چهل درصد گازهای گلخانه­ای را منتشر کردند. همچنین از سال 2016، ساختمان­های مسکونی بیش از 60% انرژی را تنها به صورت برق مصرف کرده اند. بنابراین شناسایی عواملی که بر مصرف انرژی سرمایش ساختمان تجاری تاثیرگذار هستند، برای دستیابی به پایداری بیشتر و تاثیر زیست محیطی کمتر، اهمیت دارد.