Abordarea prin rețele neuronale pentru determinarea capacității termice efective a structurilor clădirilor

 

Abordarea prin rețele neuronale pentru determinarea capacității termice efective a structurilor clădirilor

 

Mihai Osan, Dan Proca, Stefan Sebastian Szabo

 

Articolul prezintă o abordare prin rețele neuronale pentru determinarea capacității termice efective a structurilor clădirilor. Autorii propun utilizarea unui model de rețea neuronală artificială (RNA) pentru calcularea și predicția capacității termice efective a structurilor clădirilor. Pentru a valida modelul RNA, autorii compară rezultatele acestuia cu cele obținute prin metoda diferențelor finite (FDM) și cu date experimentale. Modelul RNA demonstrează potențialul de economisire semnificativă a timpului de calcul în comparație cu metodele tradiționale, cu o scădere minimă a preciziei. În plus, performanța modelului RNA se îmbunătățește odată cu creșterea numărului de iterații de antrenament. Autorii evidențiază avantajele utilizării modelului RNA în aplicații practice și sugerează că abordarea poate fi aplicată și la alte probleme de inginerie termică.

 

1.1. Introducere:

Autorii subliniază importanța determinării cu precizie a capacității termice efective a structurilor clădirilor, deoarece aceasta influențează comportamentul lor termic, eficiența energetică și performanța generală. Cu toate acestea, metodele tradiționale, cum ar fi metoda diferențelor finite (FDM), pot fi intensive din punct de vedere computațional și consumatoare de timp, în special pentru structuri și materiale complexe.

Rețelele neuronale artificiale (RNA) au fost utilizate pe scară largă în diverse domenii, inclusiv în inginerie, datorită capacității lor de a gestiona probleme complexe și neliniare. Având în vedere potențialul lor de a oferi soluții precise și eficiente, autorii propun utilizarea unui model RNA pentru calcularea capacității termice efective a structurilor de construcții, cu scopul de a reduce timpul de calcul și resursele de calcul necesare prin metodele tradiționale.

 

 

2.Materiale și metode:

2.1 Dezvoltarea modelului RNA:

Autorii descriu structura modelului RNA, care este compus dintr-un strat de intrare, un strat ascuns și un strat de ieșire. Stratul de intrare are cinci noduri, reprezentând parametrii de intrare: conductivitate termică, densitate, capacitate termică specifică, grosime și temperatură. Stratul ascuns este alcătuit dintr-un număr variabil de neuroni, care sunt responsabili de procesarea datelor de intrare și de identificarea relațiilor complexe dintre parametri. Stratul de ieșire are un nod, care reprezintă capacitatea termică efectivă.

 

2.2 Prelucrarea prealabilă a datelor:

Înainte de a utiliza datele de intrare în modelul RNA, autorii le preprocesează pentru a asigura o instruire și o performanță de predicție corespunzătoare. Datele sunt normalizate la un interval de [-1, 1] pentru a evita denaturările și a îmbunătăți convergența modelului. De asemenea, autorii utilizează diverse funcții de activare, cum ar fi funcțiile tangentă hiperbolică și sigmoidă, pentru a permite modelului RNA să gestioneze relațiile neliniare dintre parametrii de intrare.

 

2.3 Traning și validare:

Modelul RNA este antrenat folosind un set de date care conține informații despre diverse materiale și structuri de construcție. Autorii folosesc algoritmul de backpropagation, o metodă utilizată pe scară largă pentru antrenarea RNA, pentru a optimiza ponderile și polarizările modelului. Performanța modelului este evaluată folosind atât seturile de date de instruire, cât și cele de validare, care sunt independente unul de celălalt.

 

3.Rezultate și discusiuni

3.1 Comparație cu metodele tradiționale:

Autorii evaluează performanța modelului RNA comparând predicțiile acestuia cu cele obținute cu ajutorul FDM și cu datele experimentale. Ei analizează diferite structuri de clădiri, inclusiv cărămidă, beton și materiale de izolație, și prezintă comparații detaliate ale rezultatelor. În general, predicțiile modelului RNA se potrivesc îndeaproape cu cele obținute prin metode tradiționale, cu scăderi minime de precizie.

 

 

 

3.2 Analiza performanțelor:

Autorii analizează performanța modelului RNA pe măsură ce crește numărul de iterații de instruire, observând că precizia modelului se îmbunătățește odată cu creșterea numărului de iterații. De asemenea, ei examinează efectul variației numărului de neuroni din stratul ascuns, constatând că există un număr optim de neuroni pentru obținerea celei mai bune performanțe.

 

3.3 Aplicații practice:

Autorii evidențiază mai multe avantaje ale utilizării modelului RNA pentru calcularea capacității termice efective a structurilor clădirilor. Modelul reduce semnificativ timpul de calcul în comparație cu metodele tradiționale, ceea ce poate fi deosebit de benefic pentru structuri complexe și simulări la scară largă. În plus, abordarea RNA poate fi extinsă la alte probleme de inginerie termică, cum ar fi calcularea coeficienților de transfer de căldură și a fluxurilor de căldură, oferind soluții mai eficiente și mai precise în gestionarea energiei în clădiri.

 

4.Concluzii

În concluzie, autorii demonstrează potențialul utilizării unui model RNA pentru determinarea capacității termice efective a structurilor clădirilor. Modelul oferă economii semnificative de timp în comparație cu metodele tradiționale, menținând în același timp un nivel ridicat de precizie. Performanța modelului RNA se îmbunătățește odată cu mai multe iterații de antrenament și poate fi identificat un număr optim de neuroni în stratul ascuns pentru a obține cele mai bune rezultate. Autorii sugerează că abordarea RNA poate fi aplicată și altor probleme de inginerie termică, extinzându-i impactul potențial în domeniul gestionării energiei în clădiri și în aplicații conexe.

 

5.Lucrări viitoare și recomandări

Autorii recomandă continuarea cercetărilor și dezvoltării pentru a îmbunătăți performanța modelului RNA și pentru a-i extinde aplicabilitatea. Unele sugestii pentru lucrările viitoare includ:

5.1 Seturi de date mai mari și tehnici avansate de preprocesare a datelor

Utilizarea unor seturi de date mai mari și mai diverse poate îmbunătăți capacitățile de generalizare și robustețea modelului RNA, permițându-i să gestioneze o gamă mai largă de structuri și materiale de construcție. Tehnicile avansate de preprocesare a datelor, cum ar fi extracția și selecția caracteristicilor, pot fi, de asemenea, utilizate pentru a optimiza datele de intrare și a îmbunătăți performanța modelului.

5.2 Tehnici și algoritmi avansați de instruire

Explorarea tehnicilor și algoritmilor de instruire avansată, cum ar fi ratele de învățare adaptive și metodele de regularizare, poate ajuta la optimizarea mai eficientă a ponderilor și a biasurilor modelului RNA, ceea ce poate duce la o precizie îmbunătățită și la reducerea timpului de instruire.

5.3 Integrarea cu instrumentele de simulare a clădirilor

Integrarea modelului RNA cu instrumentele existente de simulare a clădirilor, cum ar fi EnergyPlus sau TRNSYS, poate oferi o soluție mai cuprinzătoare pentru gestionarea energetică a clădirilor, permițând practicienilor să evalueze și să optimizeze mai eficient performanța energetică a structurilor clădirilor.

5.4 Modele hibride

Combinarea modelului RNA cu alte tehnici de învățare automată, cum ar fi mașinile vectoriale de suport sau arborii de decizie, poate crea modele hibride care valorifică punctele forte ale fiecărei metode, ceea ce poate duce la o performanță îmbunătățită și la o aplicabilitate sporită la diverse probleme de inginerie termică.

5.5 Aplicații în lumea reală și studii de caz

Aplicarea modelului RNA la proiecte și studii de caz din lumea reală poate contribui la validarea eficienței și a caracterului practic al acestuia în scenarii reale, oferind informații valoroase cu privire la potențialele sale beneficii și limitări în domeniul gestionării energiei în clădiri și al ingineriei termice. Prin abordarea acestor direcții de cercetare și recomandări, modelul RNA poate fi rafinat și dezvoltat în continuare, extinzându-i impactul potențial în domeniul ingineriei termice și al gestionării energiei în clădiri, contribuind în cele din urmă la proiecte de clădiri mai eficiente din punct de vedere energetic și mai durabile.