, Faming Wang c, Yan d Toevoegen aan Mendeley org/10.1016/j.buildenv.2022.108970 Rechten en inhoud behouden Hoogtepunten • De effecten van vier algoritmen op de prestaties van modellen voor thermisch comfort. • De modellen die milieu- en biologische gegevens als input gebruikten bereikten de hoogste nauwkeurigheid. •
Nan Wang a Voeg toe aan Mendeley org/10.1016/j.rser.2022.112357 Verkrijg rechten en inhoud • Persoonlijk comfort is van cruciaal belang tot energie-efficiëntie van gebouwen en intelligente bouwconcepten. • Een vroege evaluatie richt zich op het voorspellen van het thermische comfort van individuele bewoners. •
Thermisch comfort in een binnenomgeving wordt beoordeeld met behulp van twee methoden: thermische compensatie en aanpassingactief. Voor de warmtebalansmethode wordt rekening gehouden met gecontroleerde laboratoriumexperimenten, en de veldstudies in het gebouw leiden daaruit adaptieve modellen af.
Indoor Environmental Quality (IEQ)-factoren dragen aanzienlijk bij aan het comfort en de productiviteit van een kantoorgebouw, een combinatie van thermische, visuele (A. Amirazar et al. 2018), akoestiek, ruimte-indeling en luchtkwaliteit. Door inzicht te krijgen in de IEQ-factoren die bijdragen aan het comfort van de bewoners, kunnen we het menselijk welzijn en de productiviteit verbeteren.
Thermisch comfort Het model was meer dan 90% voor de vier steden in Brazilië. 6 Voorspellende modellen van persoonlijk thermisch comfort zijn een trending topic geworden bij het verbeteren van het menselijk comfort in ruimtes. Thermisch comfort hangt nauw samen met het ontwerp en de prestaties van bouwsystemen, vooral op het gebied van duurzame ontwikkeling. en intelligente gebouwen 7. Thermisch
De schatting van het thermisch comfort binnenshuis en de bijbehorende gebruikersfeedback in kantoorgebouwen is belangrijk om ervoor te zorgen bevredigende en veilige werkomgevingenncties, het verhogen van de productiviteit van het personeel en het verminderen van klachten. Het beoordelen van het thermisch comfort is een moeilijke taak omdat veel omgevings-, fysiologische en culturele variabelen de thermische perceptie van de bewoners beïnvloeden.
Thermisch comfort in de klas heeft een directe impact op de gezondheid en leerresultaten van leerlingen. Het meten van thermisch comfort (TC) is geen triviale taak. Het wordt vertegenwoordigd door verschillende subjectieve meetgegevens, zoals beoordeling van thermische sensaties, beoordeling van thermisch comfort, beoordeling van thermische voorkeuren, enz. Omdat machinaal leren (ML) steeds vaker wordt gebruikt voor het voorspellen van het comfort van de bewoners, Er worden verschillende TC-statistieken gebruikt voor de op AI gebaseerde voorspellingn persoonlijk thermisch comfort in een auto
Het definiëren van het thermisch comfort van een passagier in een autocabine is moeilijk vanwege de beperkte omgeving en verschillende parameters. Hoewel het passagierscomfort wordt voorspeld met behulp van een thermische comfortschaal voor de hele cabine of een lokaal gebied, kan het bereik van het passagierscomfort variëren als gevolg van psychologische factoren en individuele voorkeuren. Een van de vele factoren die dit comfort beïnvloeden is
Er zijn enkele openbare toegankelijke datasets voor thermisch comfort, bijv. ASHRAE Global Thermal Comfort Database II, The Scales Project, Langevin Longitudinal Dataset, ERA5-Heat and Winter Thermal
PersoonlijkDe thermische comfortmodellen houden als streefwaarde rekening met persoonlijke gebruikersfeedback. De groeiende ontwikkeling van geïntegreerde ‘slimme’ apparaten volgt het concept van het internet der dingen en data. Machine learning-algoritmen voor individuele prestaties Machine learning-algoritmen voor individuele
Individuele modellen voor het voorspellen van thermisch comfort op basis van realtime monitoringparameters kunnen de efficiëntie van persoonlijke airconditioningsystemen verbeteren. Er is echter een afweging tussen nauwkeurigheid en kosten/comfort bij het verzamelen van invoergegevens voor individuele modellen voor het voorspellen van thermisch comfort. In eerdere onderzoeken zijn de prestaties hiervan
Definitie van een pasHet thermische comfort van de vinger in een auto-interieur is moeilijk vanwege de nabije omgeving en verschillende parameters. Hoewel deHet passagierscomfort wordt voorspeld met behulp van een thermische comfortschaal voor de hele cabine of een lokaal gebied. Het bereik van het passagierscomfort op de schaal kan variëren als gevolg van psychologische factoren en individuele voorkeuren. Een van de vele factoren die dit comfort beïnvloeden is
Voor de functieset F S 1 heeft het PMV-model betere nauwkeurigheid dan Transformer, maar slechtere precisie en F1-rating; TL-Transformer bereikt het hoogste niveau van precisie; en het datagestuurde model op basis van thermisch comfort presteert beter dan F S 1 in functieset F S 2, wat aangeeft dat persoonlijke informatie (leeftijd en geslacht) kan worden gebruikt om het thermisch
Uw thermisch comfortmodel bbestaat uit de volgende stappen: Data Collection, waarin wordt beschreven hoe gegevens worden verzameld en welke gegevens essentieel zijn voor het leren van algoritmen. In de tweede stap worden de gegevens voorbewerkt, zodat ruwe gegevens worden vastgelegd in een vorm die acceptabel is voor leeralgoritmen. De derde stap is het selecteren van het model volgens
Uit de ASHRAE Global Thermal Comfort Database II, verschillende Onderzoekers in Oost- en Zuid-Azië hebben persoonlijke en omgevingsvariabelen gebruikt om het model voor thermisch comfort te creëren. Lichaamstemperaturen op meerdere locaties waren de meest gebruikte persoonlijke input. Het verzamelde werk van 2003 tot 2022 werd gebruikt om de voortschrijdende ontwikkeling van het model voor thermisch comfort te analyseren door
van dit model. Cheung et al. 17 analyseerden de nauwkeurigheid van het PMV-PPD-model met behulp van ASHRAE Global Thermal Comfort Database II en rapporteerden dat de nauwkeurigheid van dit model bij het voorspellen van waargenomen thermische sensaties slechts 34% was. Het is aangetoond dat het PMV-PPD-model betrouwbaar is onder uniform gecontroleerde steady-state-omstandigheden.
2.3 ASHRAE Global Thermal Comfort Database II De ASHRAE Global Thermal Comfort Database II, als een internationale samenwerking onder leiding van de Universiteit uit Californië in Berkeley en de Universiteit van Sydney willen het onderzoek naar thermisch comfort bevorderen door de uitgebreide gegevens uit mondiale onderzoeken naar thermisch comfort te integreren en te harmoniseren 29. Zoals
geschikt. Het thermisch comfort van een passagier wordt echter beïnvloed door vele omgevingsvariabelen. Als gevolg van fysiologische en gedragsmatige factoren kan de voorkeur voor thermisch comfort aanzienlijk variëren van persoon tot persoon. Dergelijke verschillen maken het noodzakelijk om het persoonlijke thermische comfort en de functie van het aanvullende HVAC-systeem van de stoel te voorspellen 11.
Een persoonlijk comfortmodel is een nieuwe benadering voor het modelleren van thermisch comfort die een voorspelt dat de thermische comfortrespons van het individu wordt gemeten in plaats van de gemiddelde respons van een grote bevolking. Het maakt gebruik van het internet der dingen en machinaal leren om de comfortbehoeften van het individu rechtstreeks te voorspellen op basis van die in hun dagelijkse omgevingOefening om de verzamelde gegevens te leren.
Om deze reden werden de PCS-gegevens, thermische toestand en HVAC-systeeminstellingen van 38 bewoners verzameld. Uit de resultaten bleek dat de gemiddelde nauwkeurigheid van het voorgestelde PCS-model 0,73 was, terwijl de nauwkeurigheid van het traditionele thermische comfortmodel 0,51 was.
Het voorspellen van de thermische sensatie van gebruikers van gebouwen is een uitdaging, maar nuttig voor airconditioning binnenshuis. In deze studie werd een datagestuurd model voor het voorspellen van thermische sensatie ontwikkeld met behulp van drie kwaliteitgecontroleerde databases voor thermisch comfort. Er zijn verschillende machine learning-algoritmen ontwikkeld met betrekking totIk vergeleek voorspellingsnauwkeurigheid en rationaliteit. Het model werd verder verbeterd door
temporele weersveranderingen te voorspellen, waardoor het schatten en voorspellen van thermisch comfort een uitdagende taak wordt. om dit probleem aan te pakken. Het allerbelangrijkste is dat de huidige, op ML gebaseerde modellen voor het voorspellen van thermisch comfort vaak gedeeltelijke of tegenstrijdige oplossingen bieden voor binnenwarmte.
1. Inleiding. Het concept van thermisch comfort en PredDas ICted Mean Vote (PMV) Het model werd voor het eerst geïntroduceerd door P.O. Fanger in 1970. Het model weerspiegelt de relatie tussen fysieke factoren en de thermische toestand van een individu en biedt een algemene vergelijking die alle combinaties van variabelen omvat die tot thermisch comfort behoren, zoals uitgelegd in 1. /p>
Voor een classificatieprobleem met 7 klassen toonden de resultaten aan dat de algehele modelnauwkeurigheid van de ontwikkelde classificatie 76% is met een F1 scorewaarde van 84%. Het ontwikkelde voorspellingsmodel voor de thermische toestand belooft de menselijke thermische sensatie/comfortstatus in realtime te schatten, maar in een kleinere volgorde die geschikt is voor draagbare
Machine learning-gebaseerd EEG-patroon en thermisch comfort. Machine learning-technieken worden beschouwd als een geldige methode voor EEG-analyse om taakgerelateerde toestanden te onderzoeken en informatie te extraheren uit hoogdimensionale EEG-gegevens 73. Theoretisch gezien als de hersenenactiviteit reageert op een gegeven moment anders in twee verschillende toestanden
Perceptie kan het gedrag en de beïnvloedende houding van individuen en die de reacties en de naleving van voorzorgsmaatregelen beïnvloeden. Deze studie heeft tot doel de prestaties van thermische sensatie- en comfortvoorspellingsmethoden te onderzoeken. Vier machine learning-algoritmen (MLA), kunstmatige neurale netwerken, willekeurig bos (RF), ondersteuningsvectormachines en lineaire discriminant analyses werden onderzocht en
De sleutelwoorden "thermisch comfort, machine learning, kunstmatige intelligentie", "Comfortfactor, indoor luchttemperatuur en controlemethode” werden ook gebruikt om andere gerelateerde publicaties te makenns te identificeren. We richten ons op werk waarbij machine learning wordt gebruikt om de bezettingsgraad van gebouwen en gerelateerde toepassingen te voorspellen.
Thermisch comfortmodel voor het voorspellen van de thermische sensatie van bewoners van intelligente gebouwen, bedrijfsinformatiesystemen. Link naar dit artikel: of g/10.1080/17517575.2020.1852316
You can also send a message to us by this email info@qinsun-lab.com, we will reply tu you within 24 hours.Now tell us your need,there will be more favorable prices!
Home |
Product |
About |
Contact
Email: info@qinsun-lab.com
No.258 Ban Ting road, Song Jiang district, Shanghai