دانلود ترجمه مقاله پیش بینی عمر مفید ساختمان برای ارزیابی چرخه حیات با یادگیری ماشین

1. مقدمه 2. مقالات مرتبط 3. روش تحقیق 4. نتایج 5. بحث و بررسی 6. نتیجه گیری

چکیده – ارزیابی چرخه حیات (LCA) و هزینه چرخه حیات (LCC) دو روش اصلی هستند که برای ارزیابی امکان‌پذیری زیست‌محیطی و اقتصادی ساخت و ساز ساختمان استفاده می‌شوند. برای انجام این روش‌ها، تخمین عمر مفید ساختمان ضروری است. با این وجود، با توجه به عوامل متعددی که عمر مفید ساختمان را تحت تأثیر قرار می دهد، معمولاً بر اساس نوع ساختار اصلی آن برآورد می شوند. با توجه به اینکه ساختمان‌های مختلف دارای عمر مفید متفاوتی هستند، صرفاً با فرض اینکه تمام ساختمان‌ها با ساختارهای مشابه، دارای عمر مفید یکسانی هستند، می‌تواند به خطاهای تخمین جدی منجر شود. در پژوهش حاضر، 1,812,700 گزارش توصیف ساختمان‌های ساخته شده و تخریب شده در کره جنوبی گردآوری شده است. همچنین عمر واقعی هر ساختمان، تحلیل شده و یک مدل پیش‌بینی عمر مفید ساختمان با استفاده از یادگیری عمیق و یادگیری ماشین سنتی ارائه شده است. مدل‌های پیش‌بینی بررسی شده در این پژوهش، خطای جذر میانگین مربعات 3.72–4.6 و ضرایب تعیین 0.932–0.955 به وجود آمدند. از بین این مدل‌ها، یک مدل پیش‌بینی مبتنی بر یادگیری عمیق قدرتمندترین تشخیص داده شد. همانطور که انتظار می‌رفت، روش سنتی تعیین عمر مفید ساختمان با استفاده از یک مجموعه گسسته از عوامل خاص و فرض‌های مرتبط با عمر مفید، نتایج واقعی را ارائه نکرد. یافته های بدست آمده از پژوهش حاضر حاکی از آن است که، کاربرد یادگیری عمیق در LCA و LCC یک ساختمان مسیر امیدبخشی است و به طور مؤثری برنامه‌ریزی کسب و کار و تصمیم‌گیری‌های مهم در طی فرآیند ساخت و ساز را پیش می برد. مقدمه: اهمیت عمر مفید ساختمان در مهندسی معماری: از برنامه‌ریزی تا طراحی، ساخت، نگهداری و تخریب، تصمیم‌گیری در هر مرحله از صنعت ساخت و ساز ساختمان حائز اهمیت است. برای اجرای تصمیمات مهم نظیر انتخاب سازه‌ها، مصالح و روش‌های ساخت در طول طراحی و ساخت یک ساختمان، همواره روش‌های مختلف ارزیابی امکان‌پذیری اقتصادی و زیست‌محیطی به کار گرفته می‌شوند. از جمله این روش‌ها، ارزیابی چرخه حیات (LCA) و تحلیل هزینه چرخه حیات (LCC) دو روش تأیید اصلی هستند که معمولاً در صنعت مورد استفاده قرار می گیرند. به ویژه، LCA برای تأیید زیست‌محیطی و LCC برای تأیید اقتصادی [1]. روش LCA جنبه‌های زیست‌محیطی یک سیستم محصول را در تمام مراحل چرخه حیات آن ارزیابی می‌کند [2]. در بخش ساخت و ساز، LCA تأثیر یک ساختمان را بر محیط زیست در تمام مراحل نظیر تولید مواد، حمل و نقل مواد، ساخت و ساز، بهره‌برداری و نگهداری، تخریب و دفع زباله ساخت و ساز ارزیابی می‌کند. طبق گزارش وضعیت جهانی UNEP در سال 2017، بخش ساخت و ساز 35 درصد از مصرف انرژی جهانی و تقریباً 40 درصد از انتشار CO2 مرتبط با انرژی را به مصرف می رساند [3]. همچنین، مرحله بهره‌برداری 80-90 درصد از کل انرژی مصرف شده در کل چرخه حیات را شامل می شود [4]. در مورد آپارتمان‌های ساخته شده از بتن مسلح (RC)، مرحله بهره‌برداری 75.4 درصد از انتشار کربن تولید شده در کل چرخه حیات را به خود اختصاص می دهد [5]. از اینرو، برای صرفه‌جویی در انرژی و حفاظت از محیط زیست، انجام دقیقLCA از اهمیت بالایی برخوردار است.

Life cycle assessment (LCA) and life cycle cost (LCC) are two primary methods used to assess the environmental and economic feasibility of building construction. An estimation of the building's life span is essential to carrying out these methods. However, given the diverse factors that affect the building's life span, it was estimated typically based on its main structural type. However, different buildings have different life spans. Simply assuming that all buildings with the same structural type follow an identical life span can cause serious estimation errors. In this study, we collected 1,812,700 records describing buildings built and demolished in South Korea, analysed the actual life span of each building, and developed a building life-span prediction model using deep-learning and traditional machine learning. The prediction models examined in this study produced root mean square errors of 3.72–4.6 and the coefficients of determination of 0.932–0.955. Among those models, a deep-learning based prediction model was found the most powerful. As anticipated, the conventional method of determining a building's life expectancy using a discrete set of specific factors and associated assumptions of life span did not yield realistic results. This study demonstrates that an application of deep learning to the LCA and LCC of a building is a promising direction, effectively guiding business planning and critical decision making throughout the construction process. Introduction: Importance of building life span in architectural engineering: From planning to design, construction, maintenance, and disposal, decision making is essential at every stage in the building construction industry. Various economic and environmental feasibility evaluation methods are used to execute major decisions including the selection of structures, materials, and construction methods throughout the design and construction of a building. Among them, life cycle assessment (LCA) and life cycle cost (LCC) analysis are two primary verification methods commonly used across the industry - in particular, LCA for environmental verification and LCC for economic verification [1]. The LCA method evaluates the environmental aspects of a product system at all phases of its life cycle [2]. In the construction sector, LCA assesses the impact of a building on the environment in all phases including material manufacturing, material transportation, construction, operation and maintenance, demolition, and construction waste disposal. According to the 2017 UNEP Global Status Report, the construction sector consumes 35% of global energy use and nearly 40% of energy-related CO2 emissions [3]. Furthermore, the operation phase accounts for 80–90% of the total energy consumed by the entire life cycle [4]. In the case of apartments made from reinforced concrete (RC), the operation phase contributes to 75.4% of the carbon emissions produced over the entire life cycle [5]. Thus, for energy saving and environment protection, it is highly important that LCA is conducted accurately.

ترجمه این مقاله در 36 صفحه آماده شده و در ادامه نیز صفحه 8 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.