آمار
| تعداد نشریات | 45 |
| تعداد شماره‌ها | 1,416 |
| تعداد مقالات | 17,490 |
| تعداد مشاهده مقاله | 56,510,731 |
| تعداد دریافت فایل اصل مقاله | 18,750,630 |
مدلسازی بهینه نرخ تهویه در ساختمان‌های مجهز به سرمایش غیر فعال با استفاده از یادگیری ماشین انباشته و الگوریتم ژنتیک: یک رویکرد نوین برای داده‌های محدود و نامتوازن | ||
| مهندسی مکانیک دانشگاه تبریز | ||
| مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 14 اسفند 1403 | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22034/jmeut.2025.62989.3449 | ||
| نویسندگان | ||
| مجید محسن پور1؛ محسن سلیمی2؛ مجید عمیدپور* 3 | ||
| 1گروه مهندسی سیستم های انرژی، دانشکده مهندسی مکانیک، دانشگاه صنعتی خواجه نصیرالدین طوسی، تهران، ایران. | ||
| 2گروه پژوهشی انرژی‌های تجدیدپذیر، پژوهشگاه نیرو، تهران، ایران | ||
| 3هیات علمی- دانشگاه خواجه نصیرالدین طوسی | ||
| چکیده | ||
| با افزایش تقاضای سیستم‌های تهویه به دلیل تغییرات اقلیمی و گازهای گلخانه‌ای، مصرف انرژی رشد چشم‌گیری یافته است. توسعه سیستم‌های سرمایش غیر فعال به‌عنوان راهکاری ضروری مطرح می‌شود زیرا به تهویه مطبوع وابسته نیستند. مدلسازی نرخ تهویه در این سیستم‌ها به‌صورت مرسوم زمان‌بر است؛ لذا این پژوهش با ارائه مدل مبتنی بر داده، به مدلسازی نرخ تهویه در ساختمان‌های دارای سرمایش غیر فعال پرداخته و این مدل را از سایر مطالعات متمایز می‌سازد. از ده مدل یادگیری ماشین به‌عنوان مدل پایه در انباشته‌سازی گروهی استاندارد استفاده شد که نتایج در پارامترهای ارزیابی RMSE و MAE رضایت‌بخش نبود. برای بهبود مدل، از الگوریتم ژنتیک بهره گرفته شد. ارزیابی دقت مدل بهبود یافته با چهار مجموعه داده مختلف انجام شد و ویژگی‌های کلیدی از طریق روش حذف ویژگی‌های تکراری انتخاب شدند. نتایج نشان می‌دهند که مدل پیشنهادی با دقت بالاتر نسبت به الگوریتم‌های کلاسیک، در پیش‌بینی نرخ تهویه به‌ویژه در شرایط داده محدود و توزیع غیر یکنواخت، قابل استفاده در مناطق جغرافیایی متنوع است و به بررسی سریع نرخ تهویه در ساختمان‌ها کمک می‌کند. | ||
| کلیدواژه‌ها | ||
| سرمایش غیر فعال؛ تغیرات اقلیمی؛ مدلسازی نرخ تهویه؛ یادگیری ماشین؛ الگوریتم ژنتیک؛ مدل بهبود یافته | ||
|
آمار تعداد مشاهده مقاله: 185 |
||