16576

كاربرد الگوريتمهاي يادگيري ماشين در بهينه سازي مصرف انرژي ساختمانها و تأثير آن بر شاخصهاي پايداري

1404

دكتر مصطفي خانزادي

در سالهاي اخير، افزايش چشمگير مصرف انرژي در بخش ساختمانها و سهم بالاي آنها در انتشار گازهاي گلخانهاي، به يكي از چالشهاي اساسي توسعه پايدار در جهان تبديل شده است. گزارشهاي بينالمللي از جمله آژانس بينالمللي انرژي )(IEA, 2024 نشان ميدهد كه ساختمانها حدود 40درصد از كل انرژي نهايي جهان و نزديك به 35درصد از انتشار دياكسيدكربن ) (CO₂را به خود اختصاص دادهاند. با رشد سريع جمعيت شهري و تغييرات اقليمي، نياز به راهكارهايي براي كاهش مصرف انرژي و بهبود كارايي سيستمهاي ساختماني بيش از پيش احساس ميشود. در اين ميان، ظهور فناوريهاي دادهمحور و هوش مصنوعي، زمينهاي فراهم كرده تا ساختمانها از حالت مصرفكننده منفعل انرژي به سامانههايي هوشمند، خودتنظيم و خوديادگير تبديل شوند. پژوهشهاي اخير در حوزهي ساختمانهاي هوشمند نشان دادهاند كه يادگيري ماشين ) (Machine Learning – MLقادر است با استفاده از دادههاي حسگرها (شامل دما، رطوبت، شدت نور، حضور كاربران و تعرفه برق)، رفتار مصرف انرژي را تحليل و پيشبيني كرده و بهترين تصميم را براي كنترل سيستمها اتخاذ كند. الگوريتمهاي متنوعي در اين زمينه بهكار گرفته شدهاند؛ از براي پيشبينيSupport Vector Regression (SVR) ،براي تحليل ويژگيهاي مهم مصرفRandom Forest (RF) جمله Isolation Forest وAutoencoder ،براي تحليل سريهاي زمانيLong Short-Term Memory (LSTM) ،بار انرژي براي تشخيص ناهنجاريها، و )Reinforcement Learning (RLبراي كنترل تطبيقي سيستمهاي گرمايش، تهويه و تهويه مطبوع) (HVACمي باشد. نتايج مطالعات مختلف حاكي از آن است كه استفاده از اين مدلها موجب بهبود چشمگير عملكرد انرژي ساختمانها شده است. RF–LSTM–Autoencoder ، مدل تركيبيMoghimi (2025) وFarzaneh (2021) بهعنوان نمونه، در پژوهشهاي توانست دقت پيشبيني بار انرژي را تا 97درصد افزايش داده و خطاي RMSEرا تا 30درصد كاهش دهد .همچنين، الگوريتمهاي RLو DQNتوانستند در سيستمهاي HVACواقعي، 30درصد كاهش مصرف انرژي سرمايشي و 20درصد افزايش آسايش حرارتي ايجاد كنند. در زمينهي نگهداري پيشبينانه) ، (Predictive Maintenanceمدلهاي Autoencoderموفق به تشخيص خرابي تجهيزات با دقت 94درصد و كاهش 25درصدي هزينههاي تعميرات شدند. در سطحي بالاتر، پژوهشهاي اخير با تركيب يادگيري ماشين و تحليل چرخه عمر )(Life Cycle Assessment – LCA توانستند ارتباط مستقيم بين عملكرد هوشمند ساختمان و كاهش ردپاي كربن را كميسازي كنند. بر اساس مطالعهي ) ،Comparing CO₂ Emissions (2025ساختمانهايي كه با طراحي پايدار و سيستمهاي MLطراحي و كنترل شدند، نسبت به ساختمانهاي سنتي 40درصد كاهش انتشار CO₂و 25درصد صرفهجويي انرژي سالانه را تجربه كردند. اين يافتهها نشان ميدهد كه استفاده از مدلهاي يادگيري ماشين نهتنها در بهرهبرداري، بلكه در كل چرخه عمر ساختمانها مؤثر است و ميتواند پايهگذار نسل جديدي از ساختمانهاي خوديادگير و پايدار ) (Sustainable Self-Learning Buildingsباشد. افزون بر اين، تركيب هوش مصنوعي با شاخصهاي توسعه پايدار ) (SDGsسه بُعد اصلي پايداري را هدف قرار ميدهد:8 • در بُعد زيستمحيطي، با كاهش مصرف انرژي و انتشار CO₂؛ • در بُعد اقتصادي، با كاهش هزينههاي بهرهبرداري و بازگشت سرمايه در كمتر از هفت سال؛ • و در بُعد اجتماعي، با افزايش آسايش حرارتي، كيفيت هواي داخلي ) (IAQو سلامت كاربران. در نهايت، مرور اين پژوهشها نشان ميدهد كه يادگيري ماشين و هوش مصنوعي اكنون به ابزارهاي اصلي در مسير طراحي، كنترل و ارزيابي ساختمانهاي پايدار تبديل شدهاند. ساختمانهاي آينده با استفاده از تركيب فناوريهاي IoT ،MLو Digital ،Twinقادر خواهند بود بهصورت پيوسته از دادههاي محيطي ياد بگيرند، رفتار خود را اصلاح كنند و با محيط و كاربران تطبيق يابند.بنابراين، ميتوان نتيجه گرفت كه ادغام يادگيري ماشين با طراحي پايدار، تحليل چرخه عمر و شاخصهاي توسعه پايدار، مسير دستيابي به شهرهاي هوشمند و كربنخنثي آينده را هموار ميكند. اين رويكرد، پيوندي ميان فناوري، محيط زيست و انسان برقرار ميكند و ساختمان را از يك «مصرفكننده انرژي» به يك «موجود يادگيرنده و سازگار با اكوسيستم شهري» تبديل ميسازد؛ تحولي كه سنگبناي واقعي توسعه پايدار در قرن بيستويكم خواهد بود.

11/10/2025 12:00:00 AM

88982

1404/09/23