Geri Dön

Surrogate model approaches for predicting building energy performance

Bina enerji performans tahmininde vekil model yaklaşımları

  1. Tez No: 882983
  2. Yazar: AYŞE RÜYA AKSU
  3. Danışmanlar: DOÇ. DR. SUZİ DİLARA MANGAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Enerji, Mimarlık, Energy, Architecture
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Yıldız Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
  12. Bilim Dalı: Yapı Fiziği Bilim Dalı
  13. Sayfa Sayısı: 80

Özet

Kentleşme ve sanayileşme, doğal kaynak tüketimini ve sera gazı emisyonlarını artırarak iklim değişikliğini önemli ölçüde hızlandırmakta, daha verimli kentsel enerji politikaları ve bina tasarımlarını zorunlu hale getirmektedir. Bina sektörü, enerji tüketiminde ve sera gazı emisyonlarında önemli bir paya sahip olduğundan, sürdürülebilir bir gelecek için enerji talebinin tahmini ve bina tasarımlarının değerlendirilmesi büyük önem taşımaktadır. Günümüzde mevcut bina üretim süreci genellikle yinelemeli deneme-yanılma yöntemine dayanmaktadır. Fakat çevresel koşulların etkisiyle iddialı hale gelen bina performans hedefleri bu yaklaşımın uygulanabilirliğini yitirmesine sebep olmuş ve bununla birlikte optimal tasarım çözümlerini bulmanın gerekliliği giderek kendini göstermiştir. Ayrıca, tasarım parametre alternatifleri zamanla artmakta ve bu durum, potansiyel çözümlerin sayısını ve karmaşıklığını artırmaktadır. Bu nedenle, farklı tasarım alternatiflerini değerlendirmek daha da zorlaşmakta ve erken tasarım aşamasında alınan kararların bina performansı üzerindeki etkisini belirlemek için bina performans simülasyonlarını karar alma sürecine entegre etmek gerekmektedir. Ancak, birçok tasarım parametresi içeren yüksek boyutlu tasarım alanlarını değerlendirmek için milyonlarca simülasyonun yapılması, yoğun bir hesaplama yükü problemini beraberinde getirmektedir. Literatürde“boyutsallığın laneti”olarak adlandırılan bu durum, karar alma sürecine hızlı ve etkili geri bildirim sağlayabilecek olan vekil modeller ile aşılabilmektedir. Bu çalışmada, bina enerji tüketimi EnergyPlus tarafından simüle edilen yüksek boyutlu tasarım alanı örneklenerek oluşturulmuş veri setleri kullanılmıştır. Tipik çok aileli apartman bloğu için bina kabuğu, enerji sistemleri ve yenilenebilir enerji sistemleri açısından farklı tasarım alternatifleri değerlendirilmiştir. Bu veri seti için farklı algoritmalara (Yapay Sinir Ağı (YSA), Rastgele Orman (RO) ve Destek Vektör Makineleri (DVM)) dayalı üç tahmin modeli kullanılarak bina performans tahmin analizleri gerçekleştirilmiştir. Ayrıca, algoritmalarla eğitim ve test setlerinin dağılımı da dikkate alınmış ve modellerin interpolasyon ve ekstrapolasyon yetenekleri değerlendirilmiştir. Sonuçlar, tasarım alanını keşfetmenin toplam hesaplama maliyetinin, belirgin bir doğruluk kaybı olmadan önemli ölçüde azaltılabileceğini göstermektedir. Ayrıca, çapraz doğrulama ile elde edilen performans ölçütlerindeki varyasyonun çok düşük olması, bu yaklaşımların güvenilirliğine işaret etmektedir.

Özet (Çeviri)

Urbanization and industrialization accelerate climate change by increasing greenhouse gas emissions and resource consumption, necessitating more efficient urban energy policies and building designs. Accurate energy demand predictions and evaluations of building designs are critically needed to reduce environmental impact and improve sustainability, given that the building sector is a significant consumer of energy and emitter of greenhouse gases. The current building sector process often encounters the iterative trial-and-error method. As building performance targets become more ambitious due to these challenges, finding optimal solutions becomes even more significant. In addition, design parameter alternatives increase over time, consequently increasing the number and complexity of potential solutions. Thus, evaluating different design alternatives becomes more challenging. Building performance simulations should integrated into the decision-making phase in order to identify the effect of early design stage determinations on building performance. However, conducting millions of simulations to evaluate high-dimensional design spaces developed based on many different design variables brings the problem of an intensive computational load. This problem, which is called the 'curse of dimensionality', can be solved with surrogate models. This study investigates surrogate model approaches that will provide rapid and effective feedback to the decision-making process. For this purpose, we use datasets created by sampling high-dimensional design space whose energy consumption is simulated by EnergyPlus. Different design alternatives in terms of the envelope of the building, energy and renewable energy systems for typical multi-family apartment block within a hypothetical settlement form were evaluated. Building performance prediction analyses were carried out using three prediction models based on different algorithms (Artificial Neural Network(ANN), Random Forest(RF), and Support Vector Machines(SVM)) for this data set. The distribution of training and test sets was also considered with these algorithms, and the interpolation and extrapolation capabilities of the models were evaluated. Results show that the total computational cost of exploring the design space can be decreased significantly without any considerable accuracy degradation. Furthermore, cross-validation shows that the variation of performance metrics between models is very low which signals the reliability of these approaches.

Benzer Tezler

  1. Tez No

    807199

    Quantifying uncertainties in numerical predictions of dynamic cavitation

    Dinamik kavitasyonun sayısal tahminlerindeki belirsizliklerin ölçümü

    ERDİNÇ KARA

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Gemi Mühendisliğiİstanbul Teknik Üniversitesi

    Gemi ve Deniz Teknoloji Mühendisliği Ana Bilim Dalı

    PROF. DR. ÖMER KEMAL KINACI

    DR. ARTUR K. LIDTKE

  2. Tez No

    887780

    İnsan gen yolaklarında ikâme modelleme ve makine öğrenmesi kullanarak varyant analizi

    Variant analysis in human gene networks using surrogate modelling and machine learning

    FURKAN AYDIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SÜHA TUNA

  3. Tez No

    800214

    Comparison of artificial neural network-based and adaptive quadratic neural network-based multi-fidelity algorithms for buckling load prediction of stiffened panels

    Güçlendirilmiş panellerin burkulma yükü tahmini için yapay sinir ağı tabanlı ve adaptif kuadratik sinir ağı tabanlı çoklu doğruluk seviyeli algoritmaların karşılaştırılması

    HÜSEYİN AVNİ YAŞAR

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Havacılık MühendisliğiOrta Doğu Teknik Üniversitesi

    Bilimsel Hesaplama Ana Bilim Dalı

    DOÇ. DR. ERCAN GÜRSES

    DOÇ. DR. HAMDULLAH YÜCEL

  4. Tez No

    638685

    A new nonlinear lifting line method for configuration aerodynamics and deep learning based aerodynamic surrogate models

    Konfigürasyon aerodinamiği analizi ve derin öğrenme bazlı aerodinamik dijital model oluşturmak için yeni bir doğrusal olmayan taşıyıcı çizgi metodu

    HASAN KARALİ

    Yüksek Lisans

    İngilizce

    İngilizce

    2020

    Bilim ve Teknolojiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. MAHMUT ADİL YÜKSELEN

    PROF. DR. GÖKHAN İNALHAN

  5. Tez No

    833182

    Comprehensive modeling of surge and swab pressures in eccentric annuli: A mathematical and computational approach

    Eksantrik anülüste surge ve swab basınçlarının kapsamlı modellemesi: Matematiksel ve bilişimsel bir yaklaşım

    ÖNER ERGE

    Doktora

    İngilizce

    İngilizce

    2023

    Petrol ve Doğal Gaz MühendisliğiOrta Doğu Teknik Üniversitesi

    Petrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı

    PROF. DR. SERHAT AKIN

Geri Dön