جلسه دفاع پایان¬نامه کارشناسی ارشد مهندسی مکانیک- گرایش تبدیل انرژی

توسعه مدل های جانشین مبتنی بر یادگیری ماشین و بهینه سازی چند هدفه عملکرد حرارتی دیوارهای چند لایه در اقلیم‌های  گرم و خشک و گرم و مرطوب

استاد راهنما: دکتر محمد رضا سلیم پور

استادان داور: دکتر محمد رضا توکلی نژاد  - دکتر شهریار منصور زاده

چکيده

        با توجه به سهم قابل‌توجه ساختمان‌ها در مصرف انرژی و نقش تعیین‌کننده پوسته ساختمان در کنترل تبادلات حرارتی، انتخاب مشخصات مناسب عایق و ساختار جدار متناسب با شرایط اقلیمی از اهمیت ویژه‌ای دارد. در این پژوهش، با هدف توسعه یک چارچوب هوشمند برای ارزیابی و تعیین عملکرد حرارتی جدارهای ساختمانی، رفتار حرارتی دیوارهای چندلایه در دو اقلیم گرم و خشک یزد و گرم و مرطوب بندرعباس بررسی شد. بدین منظور، 636 پیکربندی مختلف جدار با تغییر مشخصات مصالح، ضخامت عایق، موقعیت قرارگیری عایق و سایر ویژگی‌های ساختاری، به‌صورت عددی در نرم‌افزار کامسول شبیه‌سازی و سه شاخص اصلی شامل تاخیر زمانی، ضریب کاهش و شار انتقال گرما از دیواره محاسبه شد. سپس، سه الگوریتم یادگیری ماشین شامل تقویت گرادیان، شبکه عصبی  و بردار پشتیبان برای ایجاد مدل‌های پیش‌بینی‌کننده و جایگزین شبیه‌سازی‌های عددی توسعه و ارزیابی شدند. نتایج نشان داد که در اقلیم یزد، مدل‌های منتخب برای پیش‌بینی تاخیر زمانی، ضریب کاهش و شار انتقال گرما از دیواره در طول یک شبانه روز به‌ترتیب به ضرایب تعیین برابر با 9706/0، 9864/0 و 9673/0 دست یافتند. در اقلیم بندرعباس نیز مدل‌های منتخب تاخیر زمانی و ضریب کاهشو شار انتقال گرما دیواره  به‌ترتیب دارای ضریب تعیین برابر با 9613/0 و 9814/0 و9733/0 بودند و شبکه عصبی  کمترین خطای پیش‌بینی شار انتقال گرما از دیواره را ارائه کرد. همچنین، برای تاخیر زمانی در یزد، مدل گرادیان تقویتی با  ریشه میانگین مربعات 66/71 دقیقه و  خطای میانگین مطلق 07/48 دقیقه به‌عنوان مدل منتخب تعیین شد. در بندرعباس، مدل تقویت گرادیان برای تاخیر زمانی دارای ضریب تعیین 9613/0 و ریشه میانگین مربعات 78/19 دقیقه و برای ضریب کاهش دارای ، ضریب تعیین 9814/0،  ریشه میانگین خطای 00191/0 و  میانگین خطای 001091/0 بود؛ همچنین شبکه عصبی برای شار انتقال گرما از دیواره با میانگین خطای 47/13ژول بر مترمربع عملکرد بهتری نشان داد. در ادامه، مدل‌های منتخب به‌عنوان توابع جانشین در یک چارچوب بهینه‌سازی چندهدفه مبتنی بر الگوریتم ژنتیک به‌کار گرفته شدند تا تاخیر زمانی افزایش یافته و همزمان ضریب کاهش و شار انتقال یافته از دیوار کاهش یابند.  علاوه برآن سناریو های مختلف بهینه سازی دیگر نیز با تمکز بر هرکدام از شاخص های هدف نیز انجام شد و نتایج بهینه‌سازی منجر به شناسایی ۱۸ پیکربندی غیرمغلوب در یزد و ۲۴ پیکربندی غیرمغلوب در بندرعباس شد  برای هر ه ناریو وزنی دیگر نیز 10 پیکر بندی معرفی شد. که بیانگر وابستگی راهکار بهینه به شرایط اقلیمی و ولویت‌های طراحی است. در مجموع، نتایج نشان داد که ترکیب شبیه‌سازی عددی، یادگیری ماشین و بهینه‌سازی چندهدفه می‌تواند چارچوبی دقیق و کارآمد برای پیش‌بینی سریع عملکرد حرارتی و انتخاب پیکربندی مناسب جدار و عایق ساختمان فراهم کند و زمان و هزینه محاسبات تکراری را در فرآیند طراحی کاهش دهد.

کلمات کلیدی:  یادگیری ماشین، الگوریتم تقویت گرادیان ، انتقال حرارت، تاخیر زمانی ، ضریب کاهش، بهینه‌سازی چندهدفه