Управление жизненным циклом здания на этапе эксплуатации с использованием моделей искусственных нейронных сетей и машинного обучения

Abstract

Применение искусственных нейронных сетей и методов машинного обучения для анализа теплопотерь зданий представляет собой существенную актуальность в современном строительстве. Эти технологии обладают высокой точностью и эффективностью в обработке данных. Искусственные нейронные сети обладают способностью анализа обширных объемов информации и выделения сложных закономерностей, что значительно повышает точность определения теплопотерь в зданиях. В свою очередь, методы машинного обучения позволяют учитывать различные воздействующие факторы, такие как географическое положение и метеорологические условия, внося тем самым существенный вклад в повышение качества аналитических результатов. Такие подходы обеспечивают более достоверные и точные выводы, что является критически важным для эффективного управления энергопотреблением и сокращения тепловых потерь в зданиях. В данной статье авторами проведено исследование тепловых потерь зданий и их прогнозирование на этапе эксплуатации с использованием искусственных нейронных сетей и метода машинного обучения. Методика основана на анализе данных о теплопотерях и их связи с различными параметрами здания. Прогнозирование осуществлялось с использованием искусственных нейронных сетей в программном комплексе Statistica и методом машинного обучения на основе библиотеки scikit-learn. Предлагаемый подход позволяет эффективно управлять энергопотреблением здания, оптимизируя его энергетическую эффективность и улучшая управление жизненным циклом объекта капитального строительства. Результаты демонстрируют высокую точность и сходимость модели с фактическими значениями, а также ее способность к предсказанию эффективности.