Yapıların Isıtma ve Soğutma Yükünün Yapay Zeka ile Tahmini

Abstract

Küresel ısınma günümüzün en önemli problemlerinden biri haline gelmiştir. Bu durumun en büyük sebebi problemin etkilerini artık çok daha fazla hissetmemizdir. Küresel ısınma, atmosfere salınan gazların neden olduğu sera gazı etkisinin sonucunda, dünya üzerinde yıl boyunca kara, deniz ve havada ölçülen ortalama sıcaklıklarda görülen artıştır. Birçok alanda olumsuz etkileri görülen küresel ısınmanın en büyük sebebi insan faaliyetleridir. Bu faaliyetlerden en önemlisi elektrik tüketimi, ısınma ve taşımacılık için yakılan fosil yakıtlardır. Küresel ısınmanın olumsuz etkilerine daha fazla maruz kalmamak ve daha sağlıklı bir dünyada yaşamak için sürdürülebilir temiz enerji kaynaklarına yönelmeli ve enerjiyi verimli kullanmalıyız. Yapı sektörü enerji alanında önemli bir paya sahiptir. Binaların enerji verimliliği, ısıtma ve soğutma talebinin sistematik olarak azaltılmasıyla sağlanabilmektedir. Bu çalışmada, yeni yapıların mimari tasarımını değerlendirerek yapıların ısıtma ve soğutma yükünü tahmin eden, tek çıktılı ve çok çıktılı regresyon yöntemleri kullanarak yapay zeka tabanlı bir çözüm önermekteyiz. Literatürde genellikle tek çıktılı regresyon analizinin tercih edilmesi ile çözülmeye çalışılan bu gibi problemler için çalışmamızda çok çıktılı analizlerin kullanımının daha uygun olacağı hem yapılan uygulamalar ile hem de araştırmalar ile sunulmuştur. Geleneksel makine öğrenmesi yöntemlerinin tek çıktılı ve çok çıktılı regresyon analizinde kullanıldığı çalışmamızda, probleme uygun parametreler ve katmanlar ile tasarlanan bir derin sinir ağı ile hem tek çıktılı hem çok çıktılı regresyon analizinde en yüksek başarı elde edilmiştir. Bu vesile ile enerji tüketimi bakımından yüksek maliyetli yapıların tespiti sonucunda daha enerji verimliliği yüksek yapıların inşa edilmesine öncelik verilmesi amaçlanmıştır.

Keywords

• Binalarda ısıtma/soğutma yükü
• enerji verimliliği
• yapay zeka

Prediction of Heating and Cooling Loads of Buildings by Artificial Intelligence

Abstract

Global warming has become one of the most important problems of our day. The biggest reason for this is that we feel the effects of the problem much more now. Global warming is the increase in the average temperatures measured in land, sea and air throughout the year as a result of the greenhouse gas effect caused by the gases released into the atmosphere. The biggest cause of global warming, which has negative effects in many areas, is human activities. The most important of these activities is fossil fuels burned for electricity consumption, heating and transportation. In order not to be more exposed to the negative effects of global warming and to live in a healthier world, we must turn to sustainable clean energy sources and use energy efficiently. The construction sector has an important share in the energy field. The energy efficiency of buildings can be achieved by systematically reducing the heating and cooling demand. In this study, we propose an artificial intelligence-based solution using single-output and multi-output regression methods to estimate the heating and cooling load of buildings by evaluating the architectural design of new buildings. For such problems, which are generally tried to be solved by the preference of single-output regression analysis in the literature, it has been presented in our study with both applications and research that the use of multi-output analyzes would be more appropriate. In our study, in which traditional machine learning methods were used in single-output and multi-output regression analysis, the highest success was achieved in both single-output and multi-output regression analysis with a deep neural network designed with parameters and layers suitable for the problem. Hereby, it is aimed to give priority to the construction of buildings with higher energy efficiency as a result of the determination of high cost structures in terms of energy consumption.

Keywords

• Artificial intelligence
• energy efficiency
• heating/cooling load in buildings

References

1. Appice, A. ve Džeroski, S. (2007). Stepwise induction of multi-target model trees. In European conference on machine learning (pp. 502-509). Springer, Berlin, Heidelberg.
2. Borchani, H., Varando, G., Bielza, C. and Larranaga, P. (2015). A survey on multi‐output regression. Wiley Interdisciplinary Reviews: Data Mining and Knowledge Discovery, 5(5), 216-233.
3. Breiman, L. ve Friedman, J. H. (1997). Predicting multivariate responses in multiple linear regression. Journal of the Royal Statistical Society: Series B (Statistical Methodology), 59(1), 3-54.
4. Han, Z., Liu, Y., Zhao, J. ve Wang, W. (2012). Real time prediction for converter gas tank levels based on multi-output least square support vector regressor. Control Engineering Practice, 20(12), 1400-1409.
5. Houghton, J. (2005). “Global warming”. In: Reports On Progress İn Physics, 68(6), p. 1343.
6. Moayedi, H., Bui, D. T., Dounis, A., Lyu, Z. ve Foong, L. K. (2019). Predicting heating load in energy-efficient buildings through machine learning techniques. Applied Sciences, 9(20), 4338.
7. Peker M., Özkaraca O. ve Kesimal B. (2017). Enerji tasarruflu bina tasarımı için isıtma ve soğutma yüklerini regresyon tabanlı makine öğrenmesi algoritmaları ile modelleme. Bilişim Teknolojileri Dergisi, 10(4), 443-449.
8. Roy, S. S., Samui, P., Nagtode, I., Jain, H., Shivaramakrishnan, V. ve Mohammadi-Ivatloo, B. (2020). Forecasting heating and cooling loads of buildings: A comparative performance analysis. Journal of Ambient Intelligence and Humanized Computing, 11(3), 1253-1264.

9. Similä, T. ve Tikka, J. (2007). Input selection and shrinkage in multiresponse linear regression. Computational Statistics & Data Analysis, 52(1), 406-422.
10. T.C. Çevre, Şehircilik ve İklim Değişikliği Bakanlığı (2019), URL: https: //cevreselgostergeler .csb .gov .tr /sektorleregore-toplam-enerji-tuketimi-i-85800.
11. Turhan C., Gökçen G. ve Kazanasmaz T. (2013). Yapay sinir ağlari ile İzmir’deki çok katli binalarin toplam enerji tüketİmlerinin tahmin edilmesi.
12. University of California Machine Learning Repository (2012), URL: https : / / archive . ics . uci . edu / ml / datasets / energy+efficiency.
13. Utku, A. ve Can, U. (2022). Machine Learning-Based A Comparative Analysis for Air Quality Prediction. 30th Signal Processing and Communications Applications Conference (SIU), 2022, pp. 1-4, doi: 10.1109/SIU55565.2022.9864701.
14. Yöntem, S. T. (2016). Çevre Dostu Binalarda Enerji Verimliliği Örnek Uygulamalar. Binalarda Enerji Verimliliğinin Artırılması İçin Teknik Yardım Projesi, 1, 39.