جلسه دفاع پایان¬نامه کارشناسی ارشد مهندسی مکانیک- گرایش تبدیل انرژی
موضوع: توسعه چارچوب دوقلوی دیجیتال مبتنی بر یادگیری ماشین و بهینه‌سازی چندهدفه برای مدیریت انرژی ساختمان
استادان راهنما: جناب آقای دکتر محمدرضا سلیم‌پور ، جناب آقای دکترمحمدرضا توکلی‌نژاد
استادان داور:جناب آقای دکتر محسن ثقفیان ، جناب آقای دکتر علی اکبر عالم رجبی
چکیده
مدیریت انرژی در ساختمان‌ها مستلزم ایجاد تعادل میان کاهش مصرف انرژی و تأمین آسایش حرارتی کاربران است؛ اهدافی که لزوماً هم‌راستا نیستند. همچنین، هزینه محاسباتی بالای شبیه‌سازی‌های تفصیلی، ارزیابی گسترده شرایط بهره‌برداری را محدود می‌کند. در این پژوهش، چارچوبی مبتنی بر مدل‌سازی فیزیکی، یادگیری ماشین و بهینه‌سازی چندهدفه برای پیش‌بینی عملکرد ساختمان و شناسایی راهکارهای مناسب مدیریت انرژی توسعه داده شد.ساختمان چهارطبقه دانشکده مهندسی مکانیک دانشگاه صنعتی اصفهان به‌عنوان مطالعه موردی انتخاب شد و مدل فیزیکی آن با استفاده از نرم‌افزار دیزای‌بیلدر و موتور شبیه‌سازی انرژی‌پلاس توسعه یافت. سپس، با روش نمونه‌برداری لاتین ابرمکعبی، ۱۰۰۰ حالت بهره‌برداری تولید و عملکرد ساعتی ساختمان در طول یک سال شبیه‌سازی شد. داده‌های حاصل برای آموزش و مقایسه سه الگوریتم درختان کاملاً تصادفی، جنگل تصادفی و تقویت گرادیانی هیستوگرامی به کار رفتند. در ادامه، الگوریتم منتخب به‌عنوان مدل جانشین در بهینه‌سازی چندهدفه مبتنی بر NSGA-II استفاده شد تا پنج تابع هدف مرتبط با انرژی گرمایش، انرژی سرمایش، مصرف برق و شاخص‌های نارضایتی حرارتی، بدون اجرای مستقیم انرژی‌پلاس در حلقه بهینه‌سازی، به‌طور هم‌زمان کمینه شوند. همچنین، راهکارهای منتخب با شبیه‌سازی فیزیکی و ارزیابی عملکرد در دو روز نماینده تابستان و زمستان بررسی شدند.نتایج نشان داد که الگوریتم درختان کاملاً تصادفی عملکرد مناسبی در پیش‌بینی خروجی‌ها دارد؛ به‌طوری‌که ضریب تعیین آن در مجموعه آزمون برای انرژی سرمایش، انرژی گرمایش و انرژی الکتریکی به‌ترتیب 999/0، 996/0و 999/0به دست آمد. بااین‌حال، ارزیابی مستقل مدل در ۱۰ حالت بهره‌برداری دیده‌نشده نشان داد که میانگین خطای نسبی سالانه برای انرژی گرمایش، انرژی سرمایش، انرژی الکتریکی، نارضایتی حرارتی گرمایش و نارضایتی حرارتی سرمایش به‌ترتیب 802/4، 769/1، 225/0، 840/3 و 412/1درصد است. این نتایج، ضمن تأیید توانایی مدل جانشین در بازنمایی رفتار شبیه‌سازی‌شده ساختمان، اهمیت اعتبارسنجی مستقل آن را نشان می‌دهند.در مرحله بهینه‌سازی، الگوریتم NSGA-II با جمعیت ۸۰ عضوی و ۱۰۰ نسل، مجموعه‌ای شامل ۸۰ راه‌حل غیرمغلوب ایجاد کرد که بیانگر موازنه‌های متفاوت میان مصرف انرژی و آسایش حرارتی بود. در ارزیابی روزانه، راهکار منتخب با اولویت انرژی سرمایشی در ۱۵ تیر، کاهش 13/6 درصدی انرژی سرمایشی را نسبت به حالت پایه نشان داد؛ بااین‌حال، شاخص نارضایتی حرارتی سرمایش حدود 063/3 درصد افزایش یافت. همچنین، اجرای الگوریتم با پنج بذر تصادفی، میانگین شاخص IGD+ برابر با 055/0 و انحراف معیار حدود 005/0 را نشان داد که بیانگر پایداری قابل‌قبول نتایج در اجراهای بررسی‌شده است. یافته‌ها نشان می‌دهند که تلفیق شبیه‌سازی فیزیکی، یادگیری ماشین و بهینه‌سازی چندهدفه می‌تواند ضمن کاهش وابستگی فرایند بهینه‌سازی به شبیه‌سازی‌های پرهزینه، بستری محاسباتی برای شناسایی راهکارهای غیرمغلوب و پشتیبانی از تصمیم‌گیری آگاهانه در مدیریت انرژی ساختمان فراهم کند.
واژگان کلیدی: مدیریت انرژی ساختمان، دوقلوی دیجیتال، یادگیری ماشین، مدل جانشین، بهینه‌سازی چندهدفه، الگوریتم NSGA-II، آسایش حرارتی.
