| عنوان فارسی مقاله: | تخمین کمی دقیق از عملکرد انرژی ساختمان های مسکونی با استفاده از ابزار یادگیری ماشین آماری |
| عنوان انگلیسی مقاله: | Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools |
چکیده
ما یک چارچوب یادگیری ماشین آماری به منظور بررسی اثر هشت متغیر ورودی (فشردگی نسبی، مساحت سطح، سطح دیوار، منطقه(مساحت) سقف، ارتفاع کلی، جهت گیری، منطقه جداره، توزیع مساحت جداره) بر دو متغیر خروجی، یعنی بار گرمایشی (HL ) و بار خنک کننده (CL) از ساختمان های مسکونی را توسعه داده ایم. ما به طور سیستماتیک قدرت ارتباط هر متغیر ورودی با هر یک از متغیرهای خروجی را با استفاده از انواع ابزار تجزیه و تحلیل آماری کلاسیک و غیر پارامتری، به منظور شناسایی متغیرهای ورودی به شدت مرتبط را بررسی می کنیم. سپس، یک رویکرد کلاسیک رگرسیون خطی در مقابل حالتی قدرتمند از هنر روش غیر پارامتری غیر خطی، جنگل تصادفی، به منظور برآورد HL و CL مقایسه می کنیم. شبیه سازی های گسترده ای در 768 ساختمان مسکونی متنوع نشان می دهد که می توانیم HL و CL را با میانگین انحراف خطای مطلق کم از راستی آزمایی زمین که با استفاده از Ecotect (بترتیب 0.51 و 1.42) بنا نهاده شده را پیش بینی کنیم. نتایج حاصل از این مطالعه امکان استفاده از ابزار یادگیری ماشین به منظور برآورد پارامترهای ساختمان به عنوان یک روش مناسب و دقیق را حمایت می کنند، تا زمانی که سوالات خواسته شده به داده هایی که واقعا در وهله اول برای آموزش مدل ریاضی استفاده شده است، شباهت داشته باشد.
