Geri Dön

Makine öğrenimi algoritmaları üzerinden bina enerji performansı tahminleme modeli

A predictive model for building energy performance based on machine learning algorithms

  1. Tez No: 856778
  2. Yazar: MERVE ERTOSUN YILDIZ
  3. Danışmanlar: PROF. DR. FİGEN BEYHAN
  4. Tez Türü: Doktora
  5. Konular: Mimarlık, Architecture
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
  12. Bilim Dalı: Mimarlık ve Tasarım Bilim Dalı
  13. Sayfa Sayısı: 162

Özet

Bina sektöründe, artan nüfusun yanı sıra sosyal talep ve hızlı kentleşme gibi diğer faktörler nedeniyle enerji talebinin büyük ölçüde arttığı açıktır. Binalara uygulanan enerji verimliliği konusu, günümüzün uluslararası enerji politikalarının temel unsurlarından biridir. Özellikle konut sektöründe olmak üzere yapı üretimi ve kullanım süreci boyunca ihtiyaç duyulan enerji talebindeki belirsizliklerle çözüm getirmesi gerekmektedir. Enerji performansı için güvenilir tahmin yöntemlerinin geliştirilmesi, binalarda enerji verimliliğinin sağlanmasında önemli ve öncelikli bir araştırma alanı olarak görülmelidir. Veriye dayalı öğrenme imkânı sunan makine öğrenimi bina enerji talep tahminlerinde ortaya çıkan belirsizliklerle başa çıkmak için uygulanan güncel bir yaklaşımdır. Bu doğrultuda, Türkiye 3. İklim bölgesinde yer alan konutların ısıtma ve soğutma yüklerini tahmini sağlayan ve makine öğrenimi algoritmalarına dayanan bir model önerisi geliştirilmiştir. Araştırmada önce simülasyon programları aracılığı ile konut tipi üzerinden duvar katmanları, plan tipi, yönlenme durumu, pencere tipi değiştirilerek 12960 tane senaryo oluşturulmuş ve çalışmanın ilk aşaması tamamlanmıştır. Daha sonra bu veri seti ön işlemlerden geçirilerek ısıtma yük tahmini için 8602; soğutma yük tahmini için 9617 adet örnekleme düşürülmüştür. Tahmin modelleri geliştirilirken, doğrusal regresyon, karar ağaçları, destek vektör makineleri ve yapay sinir ağı algoritmaları uygulanmıştır. En iyi tahmin performansını gösteren yapay sinir ağları modeli ısıtma ve soğutma yükleri için tahmin modeli olarak geliştirilmiştir. Nihai model ısıtma yükü için % 90 doğruluk; soğutma yükü için % 98 doğrulukla çalışmıştır. Model performansı, oluşturulan farklı senaryolar ile sınanmış ve doğrulanmıştır. Bu araştırma makine öğrenimi aracılığı ile enerji performansına yönelik tahminlerin, -yeterli veri sağlandığında- yüksek doğrulukla sonuçlanabileceğini ve erken tasarım evresinde tüm proje paydaşlarına yol göstericicolabileceğini göstermektedir.

Özet (Çeviri)

In the building sector, it is clear that energy demand has increased substantially due to the growing population as well as other factors such as social demand and rapid urbanization. The issue of energy efficiency applied to buildings is one of the critical elements of today's international energy policies. It is necessary to resolve the uncertainties in the energy demand needed throughout the building production and utilization process, especially in the housing sector. Developing reliable prediction methods for energy performance should be considered a vital and prioritized research area in ensuring energy efficiency in buildings. Machine learning offers data-driven learning and it is a current approach to deal with uncertainties in building energy demand forecasting. Accordingly, a model proposal based on machine learning algorithms has been developed to estimate the heating and cooling loads of residential buildings in the 3rd climate zone of Turkey. The first stage of the study was completed by creating 12960 scenarios by changing wall layers, plan type, orientation status, and window type through simulation programs. Then, this data set was pre-processed and reduced to 8602 samples for heating load estimation and 9617 samples for cooling load estimation. While developing prediction models, linear regression, decision trees, support vector machine, and artificial neural network algorithms were applied. The artificial neural network model with the best prediction performance was developed as a prediction model for heating and cooling loads. The final model worked with 90% accuracy for the heating load and 98% for the cooling load. The model performance was tested and verified with different scenarios. That research shows when accurate parameters and sufficient data are provided, predictions of energy performance through machine learning can result in high accuracy and guide all project stakeholders in the early design phase.

Benzer Tezler

  1. Estimation of commercial building energy consumption with machine learning

    Makine öğrenimi ile ticari bina enerji tüketimi tahmini

    YOUSIF MURSHID MUHEALDDIN MUHEALDDIN

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SELİM BUYRUKOĞLU

    DR. ÖĞR. ÜYESİ MOHAMMED RASHAD BAKER BAKER

  2. Machine learning of social media data on a spatio-temporal basis

    Sosyal medya verilerinin zaman-mekansal temellere göre makine öğrenimi

    BÜŞRA YEŞİLBAŞ

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGalatasaray Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. TANKUT ACARMAN

  3. Türkiye'deki son 100 yıldaki depremlerin makine öğrenmesiyle analizi

    Analysis of earthquakes in Turkey over the last 100 years using machine learning

    HASAN DİKENGÜL

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUfuk Üniversitesi

    Yönetim Bilişim Sistemleri Ana Bilim Dalı

    PROF. DR. ALAATTİN PARLAKKILIÇ

  4. Makine öğrenmesi ile sigorta sektöründe sahte hasar tespiti

    Fraud detection in the insurance sector with machine learning

    YAŞAR GEREN

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Aydın Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AHMET GÜRHANLI

  5. A novel approach to optimization of iterative machine learning algorithms: Over heap structure

    Yinelemeli makine öğrenimi algoritmalarının optimizasyonuna yeni bir yaklaşım: Yığın yapısı üzerinden

    HASAN KURBAN

    Doktora

    İngilizce

    İngilizce

    2017

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolIndiana University Bloomington

    Bilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı

    PROF. DR. MEHMET M DALKİLİC