Przeprowadzenie symulacji energii danego budynku jest czasochłonne i wymaga ręcznego wprowadzania wielu danych. Według badaczy uczenie maszynowe może ten proces ułatwić. W jaki sposób?
W jaki sposób przeprowadza się symulacje energetyczne budynków?
Jak wynika z najnowszych informacji, powyżej 40% zużywanej energii oraz emitowanych gazów cieplarnianych na terenie USA pochodzi z sektora budowlanego. Naukowcy z Florida Tech mają pomysł jak to zmienić, wykorzystując uczenie maszynowe. Nowa metoda opiera się o wdrożenie nowego podejścia modelowania energetycznego budynków oraz przeprowadzenie optymalizacji modeli energetycznych budynków.
Na ten moment przeprowadzenie wszelkich symulacji energetycznych wymaga wykorzystania oprogramowania wraz z ręcznym wpisaniem szczegółowych danych, które zależne są od rodzaju wykorzystywanych materiałów czy elementów. Należą do nich m. in. przegrody w postaci podłóg czy ścian zewnętrznych, ich poszczególnych warstw i ich grubości, a także parametry dotyczące okien czy drzwi wejściowych. Do wykonania symulacji konieczne jest również wprowadzenie lokalizacji, ułożenia budynku względem stron świata, temperatury zewnętrzne panujące w danym miejscu oraz projektowe temperatury wewnętrzne.
Większość parametrów ma nieskończoną ilość kombinacji, przez co do wprowadzania danych nadal ręcznie wpisuje się poszczególne wartości lub ewentualnie wybiera się je spośród listy dostępnej w danym oprogramowaniu. Szersze zaangażowanie systemów wymaga wysokiej jakości specjalistycznego skryptu, którym właśnie postanowili zająć się naukowcy z Florida Tech.
Uczenie maszynowe może wspomóc symulacje
Do utworzenia nowoczesnego systemu wykorzystano Pythona, dzięki któremu możliwe jest wprowadzenie danych opartych o narzędzia fizyczne. W taki właśnie sposób powstał zaawansowany program EnergyPlus, pozwalający na przeprowadzanie symulacji energii budynku.
Serie zmiennych, będących danymi wejściowymi, tworzą sporego rozmiaru zestaw danych, który staje się podstawą utworzonego skryptu. Powstały model jest szkolony, w oparciu o uczenie maszynowe, a dokładniej sieci neuronowe.
Utworzony algorytm jest w stanie przyjmować dane z czujników ulokowanych na budynku, dzięki czemu możliwe jest przeprowadzenie szacunków zużywanej energii, a także poszukiwanie metod ograniczenia emisji dwutlenku węgla.