عنوان فارسی مقاله:امکان سنجی بهینه سازی هریس هاکس در ترکیب با سیستم استنتاج فازی پیش بینی انرژی بار گرمایش در داخل ساختمان‌ها

چکیده

سیستم‌های گرمایش و سرمایش بخش قابل توجهی از انرژی مصرف شده به دلایل داخلی در اروپا را تشکیل می‌دهند. سوزاندن سوخت‌های فسیلی راه اصلی تولید این انرژی است که اثرات مخربی بر محیط زیست دارد. هنگام تعیین میزان گرمایش و سرمایش ضروری است که ویژگی‌های ساختمان را در نظر بگیریم. در نتیجه، مطالعه ویژگی‌های ساختمان‌های مرتبط، مانند نوع سیستم‌های سرمایشی و گرمایشی مورد نیاز برای حفظ شرایط مناسب هوای داخلی، می‌تواند در طراحی و ساخت ساختمان‌های کم مصرف کمک کند. مطالعات متعددی از یادگیری ماشینی برای پیش‌بینی سیستم‌های سرمایش و گرمایش بر اساس متغیرهایی استفاده کرده‌اند که شامل فشردگی نسبی، جهت‌گیری، ارتفاع کلی، مساحت سقف، مساحت دیوار، مساحت سطح، سطح شیشه و توزیع سطح شیشه است. اما در هیچ یک از این روش‌ها منطق فازی استفاده نمی‌شود. در این مقاله، یک رویکرد منطق فازی، یعنی HHO-ANFIS (ترکیبی از بهینه‌سازی شاهین هریس و سیستم رابط عصبی فازی تطبیقی)، برای پیش‌بینی بار گرمایش در ساختمان‌های مسکونی و بررسی امکان‌سنجی این تکنیک در پیش‌بینی گرمایش مطالعه می‌کنیم. تکنیک‌های فازی نتایج عالی را به دست می‌دهند. نتایج تجزیه و تحلیل نشان می‌دهد که HHO-ANFIS با اندازه جمعیت ۴۰۰، بالاترین مقدار R2 (0.98709 و ۰٫۹۸۷۹۴)، و کمترین مقدار RMSE (0.08769 و ۰٫۰۸۲۸۱) به ترتیب در مجموعه آموزشی و آزمایشی، می‌تواند بار گرمایشی با دقت بالا را پیش بینی کند. با توجه به مقدار بالای R2 (98٪) و مقدار کم RMSE، HHO-ANFIS می‌تواند در پیش بینی بار گرمایشی ساختمان‌های مسکونی استفاده شود.

ادامه مطلب

راهنمای خرید:

لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Feasibility of Harris Hawks Optimization in Combination with Fuzzy Inference System Predicting Heating Load Energy Inside Buildings

Abstract

Heating and cooling systems account for a considerable portion of the energy consumed for domestic reasons in Europe. Burning fossil fuels is the main way to produce this energy, which has a detrimental effect on the environment. It is essential to consider a building’s characteristics when determining how much heating and cooling is necessary. As a result, a study of the related buildings’ characteristics, such as the type of cooling and heating systems required for maintaining appropriate indoor air conditions, can help in the design and construction of energy-efficient buildings. Numerous studies have used machine learning to predict cooling and heating systems based on variables that include relative compactness, orientation, overall height, roof area, wall area, surface area, glazing area, and glazing area distribution. Fuzzy logic, however, is not used in any of these methods. In this article, we study a fuzzy logic approach, i.e., HHO-ANFIS (combination of Harris hawks optimization and adaptive neuro-fuzzy interface system), to predict the heating load in residential buildings and investigate the feasibility of this technique in predicting the heating load. Fuzzy techniques obtain perfect results. The analysis results show that the HHO-ANFIS with a population size of 400, the highest value of R2 (0.98709 and 0.98794), and the lowest value of RMSE (0.08769 and 0.08281) in the training and testing dataset, respectively, can predict the heating load with high accuracy. According to the high value of R2 (98%) and low value of RMSE, HHO-ANFIS can be used in predicting the heating load of residential buildings.