| _version_ |
1828462629427871744
|
| author |
Κοτρόζος, Ιωάννης
|
| author2 |
Δούνιας, Γεώργιος
|
| author_facet |
Δούνιας, Γεώργιος
Κοτρόζος, Ιωάννης
|
| author_sort |
Κοτρόζος, Ιωάννης
|
| collection |
DSpace
|
| description |
Βασικά προβλήματα της ανθρωπότητας αποτελούν η ενέργεια και η εξοικονόμηση της, καθώς οι ανάγκες μιας σύγχρονης κοινωνίας αλλά και η συνεχής αύξηση του επιπέδου διαβίωσης οδηγούν στην συνεχή αύξηση της ενεργειακής ζήτησης.
Σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι η συμβολή στην διαδικασία λήψης αποφάσεων εκτίμησης ενεργειακών φορτίων σε κτηριακές δομές χρησιμοποιώντας μεθόδους μηχανικής μάθησης.
Στην παρούσα εργασία, για την ανάπτυξη των μοντέλων εκτίμησης των ενεργειακών απαιτήσεων κτηριακών δομών, χρησιμοποιήθηκαν τα τεχνητά νευρωνικά δίκτυα. Τα τεχνητά νευρωνικά δίκτυα αποτελούν ένα δυνατό και εξελισσόμενο εργαλείο της τεχνητής νοημοσύνης των οποίων η αρχή της λειτουργίας τους βασίζεται στη προσομοίωση της λειτουργείας ενός βιολογικού νευρωνικού δικτύου.
Με την χρήση του λογισμικού WEKA πραγματοποιήθηκε η επιβλεπόμενη εκπαίδευση και αξιολόγηση 2016 αρχιτεκτονικών πολυ-επίπεδων αισθητήρων με τη μέθοδο της μαζικής εκπαίδευσης-αξιολόγησης χρησιμοποιώντας τον αλγόριθμο ανάστροφης μετάδοσης του σφάλματος(BP) και με την διαδικασία 10-fold cross validation.
Τα δεδομένα που αξιοποιήσαμε προέρχονται από 768 περιπτώσεις κτηρίων που προέκυψαν από διαδικασία προσομοίωσης και παρουσιάστηκαν για πρώτη φορά από τους A. Tsanas και A. Xifara (2012).
Σκοπός των δοκιμών ήταν η εύρεση του βέλτιστου μοντέλου εκτίμησης των ενεργειακών απαιτήσεων που έχει ένα κτήριο ώστε να διατηρείται σταθερή η θερμοκρασία του εσωτερικού περιβάλλοντός, τόσο κατά την διάρκεια της χειμερινής, όσο και κατά την διάρκεια της καλοκαιρινής περιόδου.
Τέλος, συγκρίνοντας τα μοντέλα εκτίμησης που παρουσιάζονται στην συγκεκριμένη εργασία με παρόμοιες προσεγγίσεις του παρελθόντος, στις οποίες χρησιμοποιήθηκαν ακριβώς τα ίδια δεδομένα, τα αποτελέσματά κρίνονται αρκετά ικανοποιητικά και με περιθώρια βελτίωσης.
|
| id |
oai:hellanicus.lib.aegean.gr:11610-21518
|
| institution |
Hellanicus
|
| language |
el_GR
|
| publishDate |
2021
|
| record_format |
dspace
|
| spelling |
oai:hellanicus.lib.aegean.gr:11610-215182021-02-23T11:31:10Z Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου Κοτρόζος, Ιωάννης Δούνιας, Γεώργιος energy efficiency energy statistics artificial neural networks mathematics τεχνητά νευρωνικά δίκτυα ενέργεια πολυ-επίπεδος αισθητήρας Power (Mechanics) Energy consumption Mathematics Neural networks (Computer science) Βασικά προβλήματα της ανθρωπότητας αποτελούν η ενέργεια και η εξοικονόμηση της, καθώς οι ανάγκες μιας σύγχρονης κοινωνίας αλλά και η συνεχής αύξηση του επιπέδου διαβίωσης οδηγούν στην συνεχή αύξηση της ενεργειακής ζήτησης. Σκοπός της συγκεκριμένης διπλωματικής εργασίας είναι η συμβολή στην διαδικασία λήψης αποφάσεων εκτίμησης ενεργειακών φορτίων σε κτηριακές δομές χρησιμοποιώντας μεθόδους μηχανικής μάθησης. Στην παρούσα εργασία, για την ανάπτυξη των μοντέλων εκτίμησης των ενεργειακών απαιτήσεων κτηριακών δομών, χρησιμοποιήθηκαν τα τεχνητά νευρωνικά δίκτυα. Τα τεχνητά νευρωνικά δίκτυα αποτελούν ένα δυνατό και εξελισσόμενο εργαλείο της τεχνητής νοημοσύνης των οποίων η αρχή της λειτουργίας τους βασίζεται στη προσομοίωση της λειτουργείας ενός βιολογικού νευρωνικού δικτύου. Με την χρήση του λογισμικού WEKA πραγματοποιήθηκε η επιβλεπόμενη εκπαίδευση και αξιολόγηση 2016 αρχιτεκτονικών πολυ-επίπεδων αισθητήρων με τη μέθοδο της μαζικής εκπαίδευσης-αξιολόγησης χρησιμοποιώντας τον αλγόριθμο ανάστροφης μετάδοσης του σφάλματος(BP) και με την διαδικασία 10-fold cross validation. Τα δεδομένα που αξιοποιήσαμε προέρχονται από 768 περιπτώσεις κτηρίων που προέκυψαν από διαδικασία προσομοίωσης και παρουσιάστηκαν για πρώτη φορά από τους A. Tsanas και A. Xifara (2012). Σκοπός των δοκιμών ήταν η εύρεση του βέλτιστου μοντέλου εκτίμησης των ενεργειακών απαιτήσεων που έχει ένα κτήριο ώστε να διατηρείται σταθερή η θερμοκρασία του εσωτερικού περιβάλλοντός, τόσο κατά την διάρκεια της χειμερινής, όσο και κατά την διάρκεια της καλοκαιρινής περιόδου. Τέλος, συγκρίνοντας τα μοντέλα εκτίμησης που παρουσιάζονται στην συγκεκριμένη εργασία με παρόμοιες προσεγγίσεις του παρελθόντος, στις οποίες χρησιμοποιήθηκαν ακριβώς τα ίδια δεδομένα, τα αποτελέσματά κρίνονται αρκετά ικανοποιητικά και με περιθώρια βελτίωσης. The main problems of humanity are energy and its conservation, as the needs of a modern society and the ever-increasing standard of living lead to the ever-increasing energy demand. The purpose of this thesis is the contribution to the decision-making process of estimating energy loads in building structures using machine learning methods. In the present work, artificial neural networks were used to develop models for estimating the energy requirements of building structures. Artificial neural networks are a powerful and evolving tool of artificial intelligence whose principle of operation is based on the simulation of the function of a biological neural network. With the use of WEKA software, the supervised training and evaluation of 2016 multi-layer architectural sensors were carried out in batch mode and using the backpropagation algorithm and the validation process “10-fold cross validation”. The data used come from 768 cases of buildings that emerged from a simulation process and were first presented by A. Tsanas and A. Xifara (2012). The purpose of the experimental proces was to find the optimal model fo the estimation of the energy requirements of a building in order to maintain a constant indoor temperature, during winter and summer season. Finally, comparing the estimation models presented in this study with similar approaches, in which exactly the same data were used, the results are considered quite satisfactory and with room for improvement. 2021-02-16T12:35:53Z 2021-02-16T12:35:53Z 2020-10-13 http://hdl.handle.net/11610/21518 el_GR Attribution-NonCommercial-NoDerivatives 4.0 Διεθνές http://creativecommons.org/licenses/by-nc-nd/4.0/ 86 σ. application/pdf Χίος
|
| spellingShingle |
energy efficiency
energy
statistics
artificial neural networks
mathematics
τεχνητά νευρωνικά δίκτυα
ενέργεια
πολυ-επίπεδος αισθητήρας
Power (Mechanics)
Energy consumption
Mathematics
Neural networks (Computer science)
Κοτρόζος, Ιωάννης
Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| title |
Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| title_full |
Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| title_fullStr |
Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| title_full_unstemmed |
Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| title_short |
Eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| title_sort |
eφαρμογή μεθόδων υπολογιστικής νοημοσύνης σε προβλήματα αποφάσεων εκτίμησης ενεργειακού φορτίου
|
| topic |
energy efficiency
energy
statistics
artificial neural networks
mathematics
τεχνητά νευρωνικά δίκτυα
ενέργεια
πολυ-επίπεδος αισθητήρας
Power (Mechanics)
Energy consumption
Mathematics
Neural networks (Computer science)
|
| url |
http://hdl.handle.net/11610/21518
|
| work_keys_str_mv |
AT kotrozosiōannēs epharmogēmethodōnypologistikēsnoēmosynēsseproblēmataapophaseōnektimēsēsenergeiakouphortiou
|