دانلود ترجمه مقاله مدل پیش بینی یادگیری عمیق هزینه چرخه عمر برای ساختمان های صنعتی

1. مقدمه 2. مروری بر مقالات 3. روش‌ تحقیق 4. اعتبارسنجی و پیاده‌سازی با مطالعه موردی 5. نتایج 6. بحث و بررسی 7. نتیجه‌گیری

چکیده – بی شک، اکثر ساختمان‌های صنعتی در طول عمر خود دارای هزینه چرخه عمر (LCC) بسیار بالایی هستند. بیشتر این هزینه‌ها شامل هزینه‌های بهره‌برداری و نگهداری ساختاری، هزینه‌های تأثیر زیست‌محیطی و غیره می باشند. بنابراین، لازم است که روش سریعی برای تعیین مقادیر LCC تعیین شود. از اینرو پژوهش حاضر، برای ارزیابی گزینه‌های ساختاری و پوششی برای ساختمان‌های صنعتی و تصمیم‌گیری برای مناسب‌ترین ساختار یک مدل پیش‌بینی یادگیری عمیق LCC را ارائه می‌دهد. معیارهای ورودی و خروجی مدل پیش‌بینی از مطالعات قبلی بدست آمدند. مدل شبکه یادگیری عمیق با استفاده از یک شبکه باور عمیق (DBN) با لایه‌های پنهان ماشین بولتزمن محدود (RBM) توسعه یافت. هفت مورد تحقیقاتی برای اعتبارسنجی مدل پیش‌بینی یک مجموعه داده 312 موردی در طول 30 سال پس از مرحله آموزش شبکه برای انتخاب لایه‌های پنهان مناسب RBM و نورون‌های پنهان در هر لایه پنهان که به حداقل خطاهای مدل دست یافتند، مطالعه شدند. مورد دیگری در مدل برای مقایسه گزینه‌های ساختاری طراحی، متشکل از سه قاب ساختاری اصلی - یک قاب بتن مسلح، یک قاب بتن پیش‌ساخته/پیش‌تنیده و یک قاب فولادی - در طول چرخه عمر آن‌ها و تصمیم‌گیری مورد مطالعه قرار گرفت. همچنین از آنجائیکه امکان استفاده مجدد از بخش‌های جدا شده در یک ساختمان صنعتی جدید وجود دارد، قاب‌های بتن پیش‌ساخته/پیش‌تنیده تا پایان هزینه چرخه عمر بهترین تصمیم بودند. مقدمه: نیاز فزاینده‌ای برای افزایش آگاهی در مورد پایداری اقتصادی ساختمان‌های صنعتی وجود دارد، زیرا این مورد یکی از جنبه‌های کلیدی ساختمان‌ها است که می‌تواند به بهبود اقتصادی و پایان رکود کمک کند. از اینرو، پژوهش حاضر، با توسعه یک مدل پیش‌بینی یادگیری عمیق، طرح ابتکاری را برای ارزیابی هزینه چرخه عمر ساختمان‌های صنعتی ارائه می دهد. هزینه چرخه عمر (LCC) یک ابزار اقتصادی پایدار محسوب می شود. این مطالعه از LCC برای اندازه‌گیری اقتصاد ساختمان‌های جایگزین ساختمانی با ساختارها و انواع پوسته‌های مختلف، از نظر جریان‌های نقدی آن‌ها در طول کل عمر ساختمان استفاده می‌کند [1-3]. این مورد یک فرآیند طراحی هوشمند برای کنترل هزینه‌های اولیه و جاری ساخت و مالکیت ساختمان در نظر گرفته می‌شود. روش LCC نشان می‌دهد که می‌توانیم در زمانی که هزینه اولیه بالاتر یک ساختمان هزینه‌های جاری بلندمدت مانند بهره‌برداری، نگهداری و تأثیر زیست‌محیطی را کاهش می‌دهد، صرفه‌جویی کنیم [2]. در مقابل، هزینه اولیه پایین‌تر می‌تواند به افزایش هزینه‌های جاری و لغو صرفه‌جویی اولیه در طول عمر ساختمان منجر شود. هزینه چرخه عمر، ترکیبی از قضاوت‌های ساختاری، پیش‌بینی هزینه‌ها و محاسبات بسیار زیاد است.

Undoubtedly, most industrial buildings have a huge Life Cycle Cost (LCC) throughout their lifespan, and most of these costs occur in structural operation and maintenance costs, environmental impact costs, etc. Hence, it is necessary to think about a fast way to determine the LCC values. Therefore, this article presents an LCC deep learning prediction model to assess structural and envelope-type alternatives for industrial building, and to make a decision for the most suitable structure. The input and output criteria of the prediction model were collected from previous studies. The deep learning network model was developed using a Deep Belief Network (DBN) with Restricted Boltzmann Machine (RBM) hidden layers. Seven investigation cases were studied to validate the prediction model of a 312-item dataset over a period of 30 years, after the training phase of the network to take the suitable hidden layers of the RBM and hidden neurons in each hidden layer that achieved the minimal errors of the model. Another case was studied in the model to compare design structure alternatives, consisting of three main structure frames—a reinforced concrete frame, a precast/pre-stressed concrete frame, and a steel frame—over their life cycle, and make a decision. Precast/pre-stressed concrete frames were the best decision until the end of the life cycle cost, as it is possible to reuse the removed sections in a new industrial building. Introduction: There is a growing need to raise awareness with respect to the economic sustainability of industrial buildings, as this is considered one of the key aspects of buildings that can contribute to economic recovery and end stagnation. Therefore, this study proposes an initiative to assess the life cycle costing of industrial buildings by developing a deep learning prediction model. Life Cycle Costing (LCC) is a sustainable economic tool. This study applies LCC to measure the economics of alternative-construction buildings that have different structures and envelope types, in terms of their cash flows over a building’s total lifespan [1,2,3]. This is considered to be an intelligent design process for controlling the initial and running costs of construction and building ownership. The LCC method shows clearly that we could achieve savings when the higher initial cost of a building reduces long-term running costs, such as operation, maintenance, and environmental impact costs [2]. In contrast, a lower initial cost could lead to increased running costs and repeal the initial savings throughout the building’s lifespan. Life cycle costing is a combination of structural judgments, prediction of costs, and a huge amount of calculations.

ترجمه این مقاله در 26 صفحه آماده شده و در ادامه نیز صفحه 13 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.