ИССЛЕДОВАНИЕ ЭНЕРГОЭФФЕКТИВНОСТИ МОДЕЛИ ПРОГРАММНОГО КОМПЛЕКСА SKETCHUP ПРИ ПОМОЩИ НЕЙРОННОЙ СЕТИ

АННОТАЦИЯ

В данной статье исследуется энергоэффективность зданий посредством анализа модели при помощи программного комплекса SketchUp которая в последвии выявила необходимые данные. А так же в данном случае составленая математическая зависимость при помощи решения этого вопроса для последовательного окончательного решения нахождения энергоэффективности здания.

ABSTRACT

This article examines the energy efficiency of buildings by analyzing the model using the SketchUp software package, which subsequently identified the necessary data. And also in this case, a mathematical relationship has been compiled using the solution of this issue for a consistent final solution to finding the energy efficiency of the building.

Ключевые слова: энергоэффективность, здания, модель, расход, программа, данные, SketchUp, ресурсы, потребление.

Keywords: energy efficiency, buildings, model, consumption, program, data, SketchUp, resources, consumption.

Энергоэффективность зданий – это способность здания использовать энергию максимально эффективно и минимизировать потребление ресурсов для поддержания комфортных условий внутри помещений. Это очень важная тема, так как она позволяет не только снизить расходы на отопление и кондиционирование воздуха, но и уменьшить негативное воздействие на окружающую среду.

Жаркие климатические условия позволяют использовать холодильники и электрические вентиляторы для охлаждения расходных материалов и циркуляции холодного воздуха в зданиях соответственно. «Более того, большинство проектов зданий не подкреплены ни детальным анализом и оценкой термически важных характеристик, ни соображениями относительно ориентации, оболочки, коэффициента остекления, затеняющих устройств и тепловой массы. Таким образом, принятие проектных решений недостаточно основано на соответствующем опыте, касающемся методов проектирования энергоэффективных зданий» [ 1 ]. 

ИНС как часть современного подхода к энергетическому анализу представляют собой неалгоритмические, нецифровые и сильно параллельные системы обработки информации. Они изучают взаимосвязь между входными и целевыми переменными, изучая ранее записанные данные. ИНС напоминает биологическую нервную систему, состоящую из слоев параллельных элементарных единиц, называемых нейронами. По сути, нейрон получает входные данные по своим входящим соединениям, объединяет входные данные, выполняет нелинейную операцию, а затем выводит окончательные результаты [ 2 ].

В том же духе для проектирования и прогнозирования почасовых профилей нагрузки использовался подход модели нейронной сети с прямой связью, где систематически обрабатывались как соответствующие входные переменные, так и количество свободных параметров. Процесс построения модели был разделен на три части: «идентификация всех потенциально важных входных данных», «выбор скрытых единиц для этого предварительного набора входных данных» посредством аддитивной фазы и «удаление нерелевантных входных данных и бесполезных скрытых единиц». через субтрактивную фазу [ 3 ]. Что касается использования ИНС, сравнение простой модели, основанной на ИНС, и модели, основанной на физических принципах, с EnergyPlus, использовалось в качестве инструмента аудита и прогнозирования. Исследование показывает, что обе модели подходят для прогнозирования энергопотребления. Дополнительно для рассматриваемого здания в EnergyPlus был проведен параметрический анализ с целью оценить влияние на такое прогнозирование нескольких параметров, таких как заселенность профиля здания и погодные данные [4] . С помощью других связанных исследований доказано, что ИНС дает удовлетворительные результаты с отклонением 3,43% и вероятностью успешного прогнозирования 94,8–98,5%. [ 5 – 7 ].

Размеры физического здания и данные для параметров моделирования здания, включая внутренние поступления (прирост тепла от солнечного тепла, использование оборудования, освещение и т. д.) и графики были взяты для облегчения моделирования и моделирования. Моделирование домена было основано на офисах и наблюдаемом количестве кондиционированных и некондиционированных зон, которые были закодированы от зоны 1 до зоны 11 (рис. 1(b) ). Программное обеспечение SketchUp 2019 использовалось для моделирования особенностей здания и обозначения тепловых зон с указанием характеристик строительных материалов и нагрузок на здание.  В смоделированном здании (рис. 1 ) показаны стены и окна, выполненные из пескобетонных блоков и стекол соответственно. Секции смоделированного здания были обозначены как тепловые зоны из-за намеренных границ, созданных между помещениями и полом с учетом поверхностей теплопередачи и материалов, аккумулирующих тепло [ 7 ].

(а)

(б)

Рисунок 1. Смоделированный административный блок УЭНР ((а) вид спереди, (б) тепловые зоны и)

Результаты моделирования EnergyPlus в этой области представляют собой расчетное фактическое энергопотребление здания.  Это было создано на основе элементов, используемых в административном блоке, с учетом освещения, охлаждения и других устройств в здании с параметрами моделирования здания и данными о погоде. Суммарное среднее потребление электроэнергии для освещения в офисах в рабочее время и в ночное время рассчитывается и отображается в кВтч/день за год. 

Список литературы:

1. К. Корантенг, «Энергоэффективность офисных зданий в Гане», Journal of Science and Technology , vol. 30, нет. 2, 2010.
2. С.Л. Вонг, К.К.В. Ван и ТНТ Лам, «Искусственные нейронные сети для анализа энергопотребления офисных зданий с дневным освещением», Applied Energy , vol. 87, нет. 2, стр. 551–557, 2010.
3. С. Каратасу, М. Сантамоурис и В. Герос, «Моделирование и прогнозирование энергопотребления зданий с помощью искусственных нейронных сетей: методы и результаты», Energy and Buildings , vol. 38, нет. 8, стр. 949–958, 2006.
4. А. Х. Нето и ФАС Фиорелли, «Сравнение детального моделирования модели и искусственной нейронной сети для прогнозирования энергопотребления зданий», Energy and Buildings , vol. 40, нет. 12, стр. 2169–2176, 2008.
5. Б.Б. Экичи и Ю.Т. Аксой, «Прогнозирование энергопотребления зданий с помощью искусственных нейронных сетей», « Достижения в области инженерного программного обеспечения» , том. 40, нет. 5, стр. 356–362, 2009.
6. А.Е. Бен-Нахи и М.А. Махмуд, «Прогнозирование охлаждающей нагрузки для зданий с использованием нейронных сетей общей регрессии», Energy Conversion and Management , vol. 45, нет. 13–14, стр. 2127–2141, 2004.
7. С. Ли, С. Юнг и Дж. Ли, «Модель прогнозирования на основе искусственной нейронной сети для пользовательского потребления энергии в зданиях в Южной Корее», Energies , vol. 12, нет. 4, с. 608, 2019.
8. Феликс Уба, Холали Квами Апевиеньеку, Фреда Дапаа Нсиах, Алекс Акорли, Стивен Аджиньон, «Энергетический анализ коммерческих зданий с использованием искусственной нейронной сети», Моделирование и симуляция в инженерии , том. 2021 г.