تبیین الگوهای بهینه معماری ساختمان های مسکونی از نقطه نظر انرژی (مطالعه موردی: منطقه 12 تهران)
الموضوعات :
زهره عباس زاده
1
(پژوهشگر دکتری معماری، گروه معماری، واحد بین‌الملل جلفا، گروه دانشگاه آزاد اسلامی، جلفا، ایران.)
مسعود حق لسان
2
(استادیار گروه معماری و شهرسازی، واحد ایلخچی، دانشگاه آزاد اسلامی، ایلخچی، ایران. *(مسوول مکاتبات))
حسن ابراهیمی اصل
3
(استادیار گروه معماری، واحد بین‌الملل جلفا، دانشگاه آزاد اسلامی، جلفا، ایران.)
الکلمات المفتاحية: ساختمان, انرژی, مصرف بهینه, معماری, منطقه 12 تهران.,
ملخص المقالة :
زمینه و هدف: با توجه به افزایش روز افزون قیمت حامل‌های انرژی، میزان مصرف انرژی به یکی از چالش‌های اساسی تبدیل شده است. در این میان ساختمان‌ها مسکونی سهم قابل توجهی در مصرف انرژی دارند. در ایران، بخش ساختمان حدود 40 درصد از کل مصرف انرژی را به خود اختصاص می¬دهد یکی از پرمصرف¬ترین بخش¬های تقاضای انرژی بخش مسکونی است. لذا هدف این پژوهش تبیین الگوهای بهینه معماری ساختمان‌های مسکونی از نقطه نظر انرژی است. روش بررسی: روش تحقیق حاضر بصورت توصیفی ـ تحلیلی و پیمایشی است. با بررسی نمونه¬های طراحی ساختمان¬های متداول در منطقه 12 تهران و مدل‌سازی آنها به کمک نرم¬افزار "دیزاین¬بیلدر" میزان انرژی مورد نیاز برای گرمایش و سرمایش ساختمان و تأثیر فاکتورهای مختلف در مصرف انرژی ساختمان محاسبه گردید. یافته‌ها: نتایج بدست آمده بیانگر این است که با روش¬های ساده طراحی معماری داخلی و خارجی ساختمان‌های مسکونی می¬توان مصرف انرژی در مناطق مورد مطالعه را تا حدود 40 درصد کاهش داد و همچنین با تدوین معیارها و ضوابط معماری برای مناطق مختلف شهر تهران و نیز بکارگیری این ضوابط در طراحی آنها می¬توان به کاهش عمده¬ای در مصرف انرژی ساختمان¬ها و بهره¬وری انرژی دست یافت. بحث و نتیجه‌گیری: در نتیجه کاهش مصرف انرژی ساختمان¬ها با طراحی معماری سبب می¬شود که این شیوه از بهره¬وری انرژی در ساختمان¬ها، تناسب زیادی با شرایط اقتصادی، فرهنگی و اجتماعی ساکنین این مناطق داشته باشد.
1. Anastasiadou, M., Santos, V., & Dias, M. S. (2021). Machine Learning Techniques Focusing on the Energy Performance of Buildings: A Dimensions and Methods Analysis. Buildings, 12(1), 28.
2. Grillone, B., Danov, S., Sumper, A., Cipriano, J., & Mor, G. (2020). A review of deterministic and data-driven methods to quantify energy efficiency savings and to predict retrofitting scenarios in buildings. Renewable and Sustainable Energy Reviews, 131, 110027.
3. Gangolells, M., Casals, M., Ferré-Bigorra, J., Forcada, N., Macarulla, M., Gaspar, K., & Tejedor, B. (2020). Office representatives for cost-optimal energy retrofitting analysis: A novel approach using cluster analysis of energy performance certificate databases. Energy and Buildings, 206, 109557.
4. Cerquitelli, T., Di Corso, E., Proto, S., Bethaz, P., Mazzarelli, D., Capozzoli, A., ... & Tamburini, M. (2020). A Data-Driven Energy Platform: From Energy Performance Certificates to Human-Readable Knowledge through Dynamic High-Resolution Geospatial Maps. Electronics, 9(12), 2132.
5. Salata, F., Ciancio, V., Dell'Olmo, J., Golasi, I., Palusci, O., & Coppi, M. (2020). Effects of local conditions on the multi-variable and multi-objective energy optimization of residential buildings using genetic algorithms. Applied energy, 260, 114289.
6. Fan, Y., & Xia, X. (2018). Building retrofit optimization models using notch test data considering energy performance certificate compliance. Applied Energy, 228, 2140-2152.
7. Amiri Ade P, Tizghalam zenozi S, Javidi Nejad M. (2022). The effect of micro climate factors on energy consumption optimization approach in Tehran urban buildings. JGS; 22 (65) :265-282. (In Persian)
8. Asghari Alireza, Maliki Gavagani, Aida, Ebrahimi Asl Hassan, Sattari Sarbangoli, Hassan. (2020). Investigating the role of passive solar systems in zero energy urban buildings, for comfort and reducing energy consumption (Case study: Waliasr Shahratberiz), New perspectives in human geography, 2: 752-771. (In Persian)
9. Karimpour Alireza, Diba Darab, Itsam Iraj. (2017). Analyzing the effect of internal sunshades on energy consumption using simulation models (case study: residential unit in Tehran). City identity, 11(30), 17-30. (In Persian)
10. Anastasiadou, M., Santos, V., & Dias, M. S. (2021). Machine Learning Techniques Focusing on the Energy Performance of Buildings: A Dimensions and Methods Analysis. Buildings, 12(1), 28.
11. Klemm, C., & Wiese, F. (2022). Indicators for the optimization of sustainable urban energy systems based on energy system modeling. Energy, Sustainability and Society, 12(1), 1-20.
12. Haneef, F., Pernigotto, G., Gasparella, A., & Kämpf, J. H. (2021). Application of Urban Scale Energy Modelling and Multi-Objective Optimization Techniques for Building Energy Renovation at District Scale. Sustainability, 13(20), 11554.
13. Fathi, S., Srinivasan, R., Fenner, A., & Fathi, S. (2020). Machine learning applications in urban building energy performance forecasting: A systematic review. Renewable and Sustainable Energy Reviews, 133, 110287.
14. Mehmood, M. U., Chun, D., Han, H., Jeon, G., & Chen, K. (2019). A review of the applications of artificial intelligence and big data to buildings for energy-efficiency and a comfortable indoor living environment. Energy and Buildings, 202, 109383.
15. Abouzari Panthea, Ziyari Yusufali. Explaining the effects of improvement and renovation policies of dilapidated urban tissues (case study: District 12 of Tehran Municipality). New attitudes in human geography (human geography). 2018, 11(4): 491-510. (In Persian)
16. Farrokhzadeh Behnoosh, Kayani Arman, Bazarafshan Umm Albinin. Evaluation of SWMM hydrologic-hydraulic model in urban runoff management (case study: District 12 of Tehran Municipality). Economy and urban planning. 2019, 9(4), 243-251. (In Persian)
