Optimización y predicción de diferentes formas de edificios para el rendimiento energético térmico en el clima cálido de El Cairo utilizando algoritmos genéticos y aprendizaje automático
Autores: Khalil, Amany; Lila, Anas M. Hosney; Ashraf, Nouran
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Optimización y predicción de diferentes formas de edificios para el rendimiento energético térmico en el clima cálido de El Cairo utilizando algoritmos genéticos y aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Sistemas
Palabras clave
Crisis de cambio climático
Métodos sostenibles
Diseño arquitectónico
Rendimiento energético
Generación de forma de edificio de oficinas
Red Neuronal Artificial
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La crisis del cambio climático ha resultado en la necesidad de utilizar métodos sostenibles en el diseño arquitectónico, incluyendo decisiones sobre la forma y orientación de los edificios que pueden ahorrar una cantidad significativa de energía consumida por un edificio. Varios estudios anteriores han optimizado la forma y envolvente de los edificios para el rendimiento energético, pero el efecto aislado de las variedades de formas arquitectónicas posibles para un clima específico no ha sido completamente investigado. Este documento propone cuatro nuevos métodos de generación de formas de edificios de oficinas (el polígono que varía entre pentágono y decágono; los píxeles que son formas cúbicas complejas; las letras incluyendo H, L, U, T; formas cruzadas y cúbicas complejas; y la familia redonda que incluye formas circulares y ovaladas) y evalúa su intensidad de uso de energía térmica anual (EUI) para El Cairo (clima cálido). Los resultados demostraron la aplicabilidad de los métodos propuestos para mejorar el rendimiento energético de las nuevas formas en comparación con el caso base. Los resultados de las optimizaciones se comparan entre sí, y las cuatro familias se discuten en referencia a sus diferentes aspectos arquitectónicos y rendimiento. Se desarrollan diagramas de dispersión para la familia redonda (mayor rendimiento) para probar el impacto de cada parámetro dinámico en EUI. El proceso de optimización de la familia redonda requiere un tiempo de cálculo notablemente alto en comparación con otras familias. Por lo tanto, se desarrolla un modelo de predicción de Red Neuronal Artificial (ANN) para la familia redonda después de simular 1726 iteraciones. Se utiliza un entrenamiento de 1200 configuraciones para predecir el EUI anual para las 526 iteraciones restantes. Se comparan los valores predichos por la ANN con los entrenados para determinar el tiempo ahorrado y la precisión.
Descripción
La crisis del cambio climático ha resultado en la necesidad de utilizar métodos sostenibles en el diseño arquitectónico, incluyendo decisiones sobre la forma y orientación de los edificios que pueden ahorrar una cantidad significativa de energía consumida por un edificio. Varios estudios anteriores han optimizado la forma y envolvente de los edificios para el rendimiento energético, pero el efecto aislado de las variedades de formas arquitectónicas posibles para un clima específico no ha sido completamente investigado. Este documento propone cuatro nuevos métodos de generación de formas de edificios de oficinas (el polígono que varía entre pentágono y decágono; los píxeles que son formas cúbicas complejas; las letras incluyendo H, L, U, T; formas cruzadas y cúbicas complejas; y la familia redonda que incluye formas circulares y ovaladas) y evalúa su intensidad de uso de energía térmica anual (EUI) para El Cairo (clima cálido). Los resultados demostraron la aplicabilidad de los métodos propuestos para mejorar el rendimiento energético de las nuevas formas en comparación con el caso base. Los resultados de las optimizaciones se comparan entre sí, y las cuatro familias se discuten en referencia a sus diferentes aspectos arquitectónicos y rendimiento. Se desarrollan diagramas de dispersión para la familia redonda (mayor rendimiento) para probar el impacto de cada parámetro dinámico en EUI. El proceso de optimización de la familia redonda requiere un tiempo de cálculo notablemente alto en comparación con otras familias. Por lo tanto, se desarrolla un modelo de predicción de Red Neuronal Artificial (ANN) para la familia redonda después de simular 1726 iteraciones. Se utiliza un entrenamiento de 1200 configuraciones para predecir el EUI anual para las 526 iteraciones restantes. Se comparan los valores predichos por la ANN con los entrenados para determinar el tiempo ahorrado y la precisión.