文献

J-GLOBAL ID：202202231832176336   整理番号：22A0101785

人工ニューラルネットワークを用いた現実的ボトムアップエネルギーベンチマーキングに向けたデータ駆動フレームワーク【JST・京大機械翻訳】

Data-driven framework towards realistic bottom-up energy benchmarking using an Artificial Neural Network

著者 (2件)： Geraldi Matheus Soares (Laboratory of Energy Efficiency in Buildings, Department of Civil Engineering, Federal University of Santa Catarina, Brazil) ,  Ghisi Enedir (Laboratory of Energy Efficiency in Buildings, Department of Civil Engineering, Federal University of Santa Catarina, Brazil)
資料名： Applied Energy  (Applied Energy)
巻： 306  号： PA  ページ： Null  発行年： 2022年 
JST資料番号： A0097A  ISSN： 0306-2619  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 建築物のエネルギーベンチマークは,建築ストックのエネルギー効率に対する基準を確立することにより,エネルギー性能の改善に重要な役割を持つ。一般化モデルに続く原型のシミュレーションは,ベンチマークを得るために広く用いられている。しかし,アーカイタイプが建築ストックの主な特徴を要約するとしても,不確実性はモデリングプロセスにおいて考慮されなければならない。さらに,実際の建築ストックデータを用いたベンチマークモデルの応答試験は,この方法の信頼性を支持した。本論文では,ベンチマーク建物に対するアーチ型の不確実性を低減する革新的フレームワークを提案した。データ編集のための標準フレームワークを提案し,エントロピーとクラスタ分析を用いた変数の不確実性の評価により,代表的アーカイタイプを得ることができた。人工ニューラルネットワーク(ANN)を予測ツールとして使用し,実際の建築のサンプルをベンチマークするために適用した。また,シミュレーション結果を用いて,気候帯に従ってエネルギー最終用途を決定した。フレームワーク命題を実際の応用と共に提示した。結果は,前例のないベンチマークモデルであり,アーチタイプは,より高い不確実性を有する建築ストックのパラメータにおけるより多くの変動を考慮する。さらに,モデリングプロセスは,異なるデータセットを組み合わせるためにロバストであり,ANNは高性能計量を達成した。結論は,他の類型学のためのフレームワークを使用する可能性を示した。さらに,フレームワーク実証はブラジルの学校ストックに使用され,非効率の傾向を示し,特定の事例研究が調査され,建築物エネルギー利用の故障を見つける方法の可能性を示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： エントロピー ,  シミュレーション ,  信頼性 ,  不確実性 ,  アーチ ,  *ニューラルネットワーク ,  気候帯 ,  在庫量 ,  クラスタ分析 ,  事例研究 ,  命題 ,  ベンチマーク ,  ロバスト性
準シソーラス用語： 建築ストック ,  *データ駆動 , 【Automatic Indexing@JST】

著者キーワード (4件)： 建築性能解析 ,  学校 ,  建築物におけるエネルギー利用 ,  人工ニューラルネットワーク

分類 (1件)： エネルギー消費・省エネルギー  (LD01000B)

タイトルに関連する用語 (3件)： 人工ニューラルネットワーク ,  データ駆動 ,  フレームワーク