KaydedilenlerDerginizi ekleyin

Dergiler / Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi / 2023 / Cilt: 38 - Sayı: 4

Makina öğrenmesi ile pencere parametrelerinin bina performansına etkisinin iklim değişikliği gözetilerek incelenmesi

Gizem AKKÖSE
Ayça DURAN
İpek GÜRSEL DİNO
Çağla MERAL AKGÜL
Sayfa
2069–2084
Yayın Tarihi
2023-04-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

RO modelleriyle yapılan performans tahminleri gerçek değerlerinden sadece ortalama %2 sapmakta ve yüksek tahmin kapasitesi göstermektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:İklim ve yapılı çevre, güçlü ve dinamik bir ilişki içindedir.
📊
Temel Bulgular & Veri:Ayrıca, öğrenciler yaşları, vücutları ve metabolizmalarındaki farklılıklar sebebi ile ısıl konfor ve iç ortam hava kalitesine karşı daha hassastır.
💡
Sonuç & Katkı:RO modelleriyle yapılan performans tahminleri gerçek değerlerinden sadece ortalama %2 sapmakta ve yüksek tahmin kapasitesi göstermektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:2025 Verileri
⚙️Değişkenler:Makine öğrenmesi · İklim değişikliği · Bina enerji verimliliği

Özet

İklim ve yapılı çevre, güçlü ve dinamik bir ilişki içindedir. Bu ilişki, iklim değişikliği krizi ile son yıllarda daha da önem kazanmıştır. Bu bağlamda, binaların çevresel yüklerinin azaltılması ve bina kullanıcılarının ısıl konforunun ve sağlığının korunması daha da kritik bir hale gelmiştir. İklim değişikliği araştırmalarında eğitim binaları yüksek iç yükleri, kendine özgü bina kullanım profilleri ve ana kullanıcılarının öğrenciler olması sebebi ile diğer bina tipolojilerinden ayrılır. Ayrıca, öğrenciler yaşları, vücutları ve metabolizmalarındaki farklılıklar sebebi ile ısıl konfor ve iç ortam hava kalitesine karşı daha hassastır. Bu sebepler ile, eğitim binalarında iklim değişikliği çerçevesinde performans iyileştirmesi gerekli hale gelmektedir. Enerji kaybını azaltmak ve ısıl konfor dengesini sağlamak için en etkili yöntemlerden biri, pencerelerin parametrelerini optimize etmektir. Bu çalışma, iklim değişikliğinin eğitim binası enerji ve ısıl performansı üzerindeki etkilerini ve pencere performansına dayalı pasif iyileştirme senaryolarının etkinliğini makine öğrenmesi ve istatistiksel analizler ile incelemektedir. Araştırma bina simülasyonlarına dayalı, dört aşamalı bir yaklaşıma dayanmaktadır ve sırasıyla (i) iklim değişikliği senaryosu ile modifiye edilmiş iklim veri setlerinin oluşturulması ve analizi, (ii) mevcut bina üzerinde iklim değişikliği etki analizi, (iii) iyileştirme senaryolarının karşılaştırmalı analizi ve (iv) makine öğrenmesine dayalı tahmin modelleri analizi adımlarını takip eder. Seçilen performans göstergelerinin (bina enerji tüketimi ve kullanıcı ısıl konforu) değerlendirilmesi için Ankara'daki mevcut bir ortaokul binası örnek vaka olarak seçilmiştir. Farklı pencere parametreleriyle, olası 2025 farklı iyileştirme senaryosu parametrik olarak modellenmiştir. Performans simülasyonları sonucunda üretilen tüm veri betimsel istatistik yöntemleriyle incelendikten sonra, verinin bir alt kümesi ile Rastgele Orman (RO) tahmin modelleri eğitilmiştir. Her bir performans göstergesi için farklı pencere parametrelerinin önemi, 10 kat çapraz doğrulama yöntemiyle RO modelleri öznitelik önemleri hesaplanarak sıralanmıştır. RO modelleriyle yapılan performans tahminleri gerçek değerlerinden sadece ortalama %2 sapmakta ve yüksek tahmin kapasitesi göstermektedir. Öznitelik önem değerleri inceliğinde pencere SHGC değerinin test edilen değişkenler arasında performansa dayalı iyileştirme senaryolarının en önemli parametresi olduğu gözlemlenmiştir. Ayrıca güçlendirme senaryoları ile toplam enerji tüketimi %50'ye varan azalma gösterirken, iç mekan ısıl konforunda önemli bir iyileşme gözlemlenmektedir. Bu çalışmanın sonuçları, mevcut eğitim binalarında maksimum etki için cam performans kriterlerinin ve en etkili kombinasyon seçiminin önemini vurgulamaktadır. Sonuçlar, binaların iklim değişikliğine adaptasyonu süreçlerinde makine öğrenmesinin etkin bir şekilde kullanılabileceğini göstermektedir. Çalışmada kullanılan yöntem farklı bina parametrelerini ve bina teknolojilerini kapsayacak şekilde genişletilebilir.

🔖

Bu Makaleye Atıf Yap

AKKÖSE, G., DURAN, A., DİNO, İ. G., AKGÜL, Ç. M. (2023). Makina öğrenmesi ile pencere parametrelerinin bina performansına etkisinin iklim değişikliği gözetilerek incelenmesi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, Cilt: 38 - Sayı: 4, 2069–2084. https://ajindex.com/articles/886059

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (15)

  1. NASA, Global Climate Change: Vital Signs of the Planet, (2021).
  2. P.F. Smith, Architecture in a climate of change: a guide to sustainable design, Routledge, 2005.
  3. M. Altun, Ç. Meral Akgül, A. Akçamete, Effect of envelope insulation on building heating energy requirement, cost and carbon footprint from a life cycle perspective, J. Fac. Eng. Archit. Gazi Univ. 35 (2020) 147–164. https://doi.org/10.17341/gazimmfd.445751.
  4. Philipp Rode, Ricky Burdett, Joana Carla Soares Gonçalves, Buildings: investing in energy and resource efficiency, in: Towar. a Green Econ. Pathways to Sustain. Dev. Poverty Erad., United Nations Environment Programme, 2011: pp. 331–373.
  5. IEA, World Energy Outlook 2021,
  6. IEA, Paris, 2021.
  7. P. de Wilde, D. Coley, The implications of a changing climate for buildings, Build. Environ. 55 (2012) 1–7. https://doi.org/10.1016/j.buildenv.2012.03.014.
  8. I. Gürsel Dino, Ç. Meral Akgül, Impact of climate change on the existing residential building stock in Turkey: An analysis on energy use, greenhouse gas emissions and occupant comfort, Renew. Energy. 141 (2019) 828–846. https://doi.org/10.1016/j.renene.2019.03.150.
  9. IEA, The Future of Cooling: Opportunities for energy-efficient air conditioning, 2018.
  10. Ç. Meral Akgül, İ. Gürsel Dino, Climate change impact assessment in residential buildings utilizing RCP4.5 and RCP8.5 scenarios, J. Fac. Eng. Archit. Gazi Univ. 3 (2020) 1665–1683. https://doi.org/10.17341/gazimmfd.534970.
  11. S. Grynning, A. Gustavsen, B. Time, B.P. Jelle, Windows in the buildings of tomorrow: Energy losers or energy gainers?, Energy Build. 61 (2013) 185–192. https://doi.org/10.1016/j.enbuild.2013.02.029.
  12. E. Cuce, S.B. Riffat, A state-of-the-art review on innovative glazing technologies, Renew. Sustain. Energy Rev. 41 (2015) 695–714. https://doi.org/10.1016/j.rser.2014.08.084.
  13. M.N. Inanici, F.N. Demirbilek, Thermal performance optimization of building aspect ratio and south window size in five cities having different climatic characteristics of Turkey, Build. Environ. 35 (2000) 41–52. https://doi.org/10.1016/S0360-1323(99)00002-5.
  14. A.R. Amaral, E. Rodrigues, A.R. Gaspar, Á. Gomes, A thermal performance parametric study of window type, orientation, size and shadowing effect, Sustain. Cities Soc. 26 (2016) 456–465. https://doi.org/10.1016/j.scs.2016.05.014. İ. Gürsel Di̇no, Binalarda Güneş Kontrol Yöntemlerinin Optimizasyon Temelli Performans Değerlendirilmesi, 5 (2017) 71–87.
  15. Y. Yildiz, T.G. Özbalta, Z. Durmuş Arsan, Impact of Window-to-Wall Surface