Enhancing the prediction of energy efficiency in buildings using machine learning algorithms
Makine öğrenme algoritmaları ile binalarda enerji verimliliği tahminlemesinin geliştirilmesi
- Tez No: 905200
- Danışmanlar: DOÇ. DR. SELİN NACAKLI
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Science and Technology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Bahçeşehir Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 98
Özet
Binalar, toplam enerji kullanımının %20 ila %40'ını oluşturarak küresel enerji tüketimini artıran önemli etkenlerden biridir. İnşaat sektöründe enerji verimliliğinin artırılması, sera gazı emisyonlarını ve fosil yakıt tüketimini azaltmak için gereklidir. Enerji verimliliğinin tasarım sürecine erken entegrasyonu ve mevcut binalar için stratejik yenilemeler, CO2 emisyonlarını ve enerji kullanımını düşürmede etkili stratejilerdir. Doğru enerji tahminleri bilinçli karar verme için çok önemlidir. Son zamanlarda, yapay zeka (AI) alanındaki makine öğrenme (ML) tekniklerinin, bina enerji tüketimi ve performansını tahminlemede etkili olduğunu kanıtlanmıştır. Bu çalışma, enerji performansı tahmini için yaygın olarak kullanılan gradyan artırma, rastgele orman regresyonları, destek vektör makineleri ve K-En Yakın Komşu Regresyonları gibi ML algoritmalarını incelemektedir. ML metotları hiperparametre ayarlaması için Parçacık Sürü Optimizasyonu (PSO) ile birleştirilmiştir ve önerilen bu yeni model daha doğru bir tahminleme yapmaktadır. PSO, ML modelinin hiperparametrelerini optimize etmekte ve bunlar önerilen modele entegre edilmektedir. Bu model, endüstriyel değerlendirme merkezleri için değerli olup, gelecekteki enerji kullanımını doğru şekilde tahmin etmelerini ve hangi enerji tasarrufu iyileştirmelerinin finansal olarak değerli olduğuna karar vermeye yardımcı olmak için geri ödeme sürelerini kesin bir şekilde hesaplamalarını sağlar. Bu tezin ana katkısı, ML algoritmalarını PSO ile birleştiren hibrit bir model geliştirilmesidir; bu da enerji tüketimi tahminlerinin doğruluğunu önemli ölçüde artırmaktadır. Araştırma, bu hibrit yaklaşımın geleneksel yöntemler ve diğer ML modellerinden daha iyi performans gösterdiğini ve binalarda enerji verimliliğini artırmak için sağlam ve pratik bir araç sunduğunu göstermektedir. Bu çalışma, sürdürülebilirliği teşvik etmekte ve enerji yönetimi ve politika oluşturma süreçlerinde bilinçli kararları desteklerken, mimarlar, mühendisler, şehir plancıları ve enerji yönetim şirketleri için değerli bilgiler sunmaktadır.
Özet (Çeviri)
Buildings significantly contribute to global energy consumption, accounting for 20% to 40% of total energy use. Enhancing energy efficiency in construction is essential for reducing greenhouse gas emissions and fossil fuel consumption. Early integration of energy efficiency into design and strategic renovations for existing buildings are effective strategies to lower CO2 emissions and energy usage. Accurate energy forecasting is crucial for informed decision-making. Recently, machine learning (ML) techniques, particularly in artificial intelligence (AI), have proven effective in predicting building energy consumption and performance. This study reviews ML algorithms such as gradient boosting, random forest regressions, support vector machines, and K-Neighbors Regressions, commonly used for energy performance forecasting. By combining ML with Particle Swarm Optimization (PSO) for hyperparameter tuning, a novel model was developed that surpasses these methods' accuracy. PSO optimizes the ML model's hyperparameters, which are then integrated into the proposed model. This model is valuable for industrial assessment centers, enabling accurate predictions of future energy usage and precise estimates of payback times to help decide which energy-saving improvements are financially worthwhile. The primary contribution of this thesis is developing a hybrid model that integrates ML algorithms with PSO, significantly enhancing the accuracy of energy consumption predictions. The research demonstrates that this hybrid approach outperforms traditional methods and other ML models, offering a robust and practical tool for improving building energy efficiency. This work provides valuable insights for architects, engineers, urban planners, and energy management companies, promoting sustainability and supporting informed decision-making in energy management and policymaking.
Benzer Tezler
- Estimation of commercial building energy consumption with machine learning
Makine öğrenimi ile ticari bina enerji tüketimi tahmini
YOUSIF MURSHID MUHEALDDIN MUHEALDDIN
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankırı Karatekin ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM BUYRUKOĞLU
DR. ÖĞR. ÜYESİ MOHAMMED RASHAD BAKER BAKER
- From data to action: Transforming pressure testing in manufacturing with machine learning for enhancing energy efficiency
Veriden aksiyona: Üretimdeki basınç testini makine öğrenimiyle dönüştürmek ve enerji verimliliğini artırmak
ERHAN YILDIZ
Yüksek Lisans
İngilizce
2024
Enerjiİstanbul Teknik ÜniversitesiEnerji Bilim ve Teknoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA BERKER YURTSEVEN
- An experimental study on the behavior of square short concrete columns confined with hybrid frpunder monotonic axial compression stress
Monotonik eksenel basınç yüklemesi altında hibrit liflipolimer malzeme ile sargılanmış kare beton kolonların davranışı üzerine deneysel bir çalışma
BILAL IBRAHIM MAJEED AL-OUBAIDI
Yüksek Lisans
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEDİNE İSPİR ARSLAN
- Gemi makine dairesi bakım işlemlerinin verimlilik analizi
Efficiency analysis of maintenance of ship machinery systems
ÇAĞLAR KARATUĞ
Doktora
Türkçe
2023
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
PROF. DR. YASİN ARSLANOĞLU
- Digital twin prototyping and simulation pipeline proposal through the integration of BIM and IOT
BIM ve IOT entegrasyonu yoluyla dijital ikiz prototip ve simülasyon hattı önerisi
MARWA ABDELFATTAH
Yüksek Lisans
İngilizce
2024
MimarlıkAltınbaş ÜniversitesiMimarlık Ana Bilim Dalı
Assist. Prof. Dr. CAN UZUN