بهینه سازی سایه‌بان افقی و عمودی برای عملکرد نور روز در ساختمان های مسکونی شهر اصفهان، رویکرد شبیه سازی و یادگیری ماشین
الموضوعات :
احمد نجفی
1
,
مهدی ترکان
2
,
محمد سعید سبحانی
3
1 - دانشکده معماری و شهرسازی، دانشگاه ملی و مهارت، تهران، ایران.
2 - دانشکده معماری و شهرسازی، دانشگاه ملی و مهارت، تهران، ایران.
3 - دانشکده معماری و شهرسازی، دانشگاه ملی و مهارت، تهران، ایران.
الکلمات المفتاحية: بهینه‌سازی سایه‌بان, نورگیری طبیعی, الگوریتم‌های یادگیری ماشین, شبیه‌سازی نورپردازی, آسایش بصری.,
ملخص المقالة :
این مطالعه بهینه‌سازی سایه‌بان‌های افقی و عمودی را برای بهبود عملکرد نورگیری روزانه در ساختمان‌های مسکونی شهر اصفهان، با استفاده از ترکیب روش‌های شبیه‌سازی و یادگیری ماشین، بررسی می‌کند. هدف اصلی، تعادل بین افزایش آسایش بصری از طریق به حداکثر رساندن نفوذ نور طبیعی و کاهش جذب حرارت خورشیدی است. با وجود اهمیت سایه‌بان‌ها در کاهش بار سرمایشی، تحقیقات پیشین اغلب تأثیر آن‌ها بر توزیع نور روز و آسایش بصری را در اقلیم‌های گرم و خشک نادیده گرفته‌اند. این مطالعه با ارائه یک چارچوب جامع، این شکاف را پر می‌کند. روش‌شناسی تحقیق شامل سه بخش اصلی است: (۱) تنظیم یک اتاق نشیمن مرجع در اصفهان با مشخصات هندسی و مصالح دقیق، (۲) انجام شبیه‌سازی‌های نورگیری با استفاده از نرم‌افزاراکوتکت ورژن 2011، برای ارزیابی عملکرد سایه‌بان‌ها تحت شرایط فصلی مختلف، و (۳) به‌کارگیری مدل‌های یادگیری ماشین، از جمله رگرسیون چندمتغیره، درخت تصمیم، جنگل تصادفی و شبکه عصبی مصنوعی، برای تحلیل و بهینه‌سازی طراحی سایه‌بان‌ها از الگوریتم‌های ژنتیک برای شناسایی پیکربندی‌های بهینه استفاده شد. یافته‌های کلیدی نشان می‌دهند که فاصله بین عناصر سایه‌بان بیشترین تأثیر را بر نفوذ نور روز دارد، در حالی که عمق سایه‌بان و تعداد عناصر سایه‌بان تأثیر منفی بر عملکرد نورگیری دارند. مدل جنگل تصادفی با دقت پیش‌بینی بالا (R² = 0.9679 برای سایه‌بان‌های عمودی و 0.9877 برای افقی) به‌عنوان بهترین مدل شناسایی شد. تحلیل حساسیت نیز اهمیت فاصله را در بهینه‌سازی سایه‌بان‌ها تأیید کرد. این مطالعه نتیجه می‌گیرد که بهینه‌سازی سایه‌بان‌ها می‌تواند عملکرد نورگیری را در ساختمان‌های مسکونی به‌طور چشمگیری بهبود بخشد. پیشنهاد می‌شود طراحان فاصله بین سایه‌بان‌ها را به حداکثر برسانند، عمق سایه‌بان‌ها را کاهش دهند و تعداد آن‌ها را به‌دقت تنظیم کنند. این تحقیق نشان می‌دهد که ادغام یادگیری ماشین با ابزارهای شبیه‌سازی، چارچوبی قدرتمند برای طراحی ساختمان‌های پایدار و انرژی‌کارآمد فراهم می‌کند.
Yi, H., Kim, M.-J., Kim, Y., Kim, S.-S., & Lee, K.-I. (2019). Rapid Simulation of Optimally Responsive Façade during Schematic Design Phases: Use of a New Hybrid Metaheuristic Algorithm. Sustainability, 11(9), 2681. https://doi.org/10.3390/su11092681
Xie, Y., Ji, W., Li, T., Liang, Y., & Li, F. (2019). Location Aided and Machine Learning-Based Beam Allocation for 3D Massive MIMO Systems. 2019 15th International Wireless Communications & Mobile Computing Conference (IWCMC), 836-841. https://doi.org/10.1109/IWCMC.2019.8766724.
Wagle, S., & Paranjape, A. (2020). Use of Simulation-Aided Reinforcement Learning for Optimal Scheduling of Operations in Industrial Plants. 2020 Winter Simulation Conference (WSC), 572-583. https://doi.org/10.1109/WSC48552.2020.9383893.
Nourkojouri, H., Shafavi, N., Tahsildoost, M., & Zomorodian, Z. (2021). Development of a Machine-Learning Framework for Overall Daylight and Visual Comfort Assessment in Early Design Stages. Journal of Daylighting. https://doi.org/10.15627/jd.2021.21.
Nourkojouri, H., Shafavi, N., Tahsildoost, M., & Zomorodian, Z. (2021). Development of a Machine-Learning Framework for Overall Daylight and Visual Comfort Assessment in Early Design Stages. Journal of Daylighting. https://doi.org/10.15627/jd.2021.21.
Ghritli, R., Okano, Y., Inatomi, Y., & Dost, S. (2022). Control of growth interface shape during InGaSb growth by vertical gradient freezing under microgravity, and optimization using machine learning. Japanese Journal of Applied Physics, 61. https://doi.org/10.35848/1347-4065/ac99c2.
Zhao, R., Wang, X., Wei, Y., He, X., & Xu, H. (2024). Machine Learning Applied to Electron Beam Lithography to Accelerate Process Optimization of a Contact Hole Layer.. ACS applied materials & interfaces. https://doi.org/10.1021/acsami.3c18889.
Gupta, V., Solomou, A., Limaye, P., Becker, G., Abinesh, M., Meier, H., Valiveti, D., Sun, H., Amalokwu, K., Crawford, B., Manchanda, R., & Kulkarni, K. (2023). A Machine Learning Based Proxy Model for the Rapid Prediction of Hydraulic Fractures. All Days. https://doi.org/10.56952/arma-2023-0315.
Mahmood, M., Khraisheh, M., Popescu, A., & Liou, F. (2024). Processing windows for Al-357 by LPBF process: a novel framework integrating FEM simulation and machine learning with empirical testing. Rapid Prototyping Journal. https://doi.org/10.1108/rpj-01-2024-0057.
Mohammed, A., Tariq, M. A. U. R., Ng, A. W. M., Zaheer, Z., Sadeq, S., Mohammed, M., & Mehdizadeh-Rad, H. (2022). Reducing the Cooling Loads of Buildings Using Shading Devices: A Case Study in Darwin. Sustainability, 14(7), 3775. https://doi.org/10.3390/su14073775
Jakubiec, J. A., & Reinhart, C. F. (2012). The 'adaptive zone' – A concept for assessing discomfort glare throughout daylit spaces. Lighting Research & Technology, 44(2), 149-170.
Najafi, Ahmad. Rahravi-Poodeh, Sanaz. Tadayon, Bahareh. (2023). Optimizing Window Design for Sustainable Daylighting in the Residential Buildings of Isfahan. Contemporary Urban and Architectural Heritage Research Quarterly. 1(1). 131-146
Papadopoulos, S., Woon, W.L., Azar, E. (2018). Machine Learning as Surrogate to Building Performance Simulation: A Building Design Optimization Application. In: Woon, W., Aung, Z., Catalina Feliú, A., Madnick, S. (eds) Data Analytics for Renewable Energy Integration. Technologies, Systems and Society. DARE 2018. Lecture Notes in Computer Science(), vol 11325. Springer, Cham. https://doi.org/10.1007/978-3-030-04303-2_7
Reinhart, C. F., & Walkenhorst, O. (2001). Validation of dynamic RADIANCE-based daylight simulations for a test office with external blinds. Energy and Buildings, 33(7), 683-697.
Al-Tamimi, N. A. M., & Fadzil, S. F. S. (2011). The potential of shading devices for temperature reduction in high-rise residential buildings in the tropics. Procedia Engineering, 21, 273-282.
Tzempelikos, A., & Athienitis, A. K. (2007). The impact of shading design and control on building cooling and lighting demand. Solar Energy, 81(3), 369-382.
