Ein persönliches Komfortmodell ist ein Ansatz zur Modellierung des thermischen Komforts für die thermische Umgebungsgestaltung und -steuerung, der die thermische Komfortreaktion einer Person anstelle der durchschnittlichen Reaktion vorhersagt eine große Bevölkerung. Wir haben persönliche Modelle für den thermischen Komfort entwickelt, die tragbare Geräte in Laborqualität für normale Alltagsaktivitäten verwenden.
Hier wurden 137 Arbeiten, die sich nur mit Fragen des thermischen Komforts oder des maschinellen Lernens befasst hatten, eliminiert, sodass insgesamt 109 Arbeiten übrig blieben. Schließlich wurden Arbeiten, die alle folgenden Kriterien erfüllten, in die Überprüfung einbezogen: • Sie waren auf Englisch verfasst; • In direktem Zusammenhang mit thermischem Komfort und maschinellem Lernen/künstlicher Intelligenz stehen; •
Der thermische Komfort in einer Innenumgebung wird mithilfe von zwei Methoden bewertet: Wärmeausgleich und adaptive. Die kontrollierte laFür die Wärmebilanzmethode werden boratorische Experimente in Betracht gezogen, und die Feldstudien im Gebäude leiten die adaptiven Modelle ab.
Ihr thermisches Komfortmodell besteht aus den folgenden Schritten: Datenerfassung, die beschreibt, wie Daten gesammelt werden und welche Daten für Lernalgorithmen wesentlich sind. Im zweiten Schritt werden die Daten so vorverarbeitet, dass Rohdaten in einer für lernende Algorithmen akzeptablen Form erfasst werden. Der dritte Schritt besteht darin, das Modell gemäß den Algorithmen
Random Forest und K-Nearest Neighbor zur Vorhersage des personalisierten thermischen Komforts auszuwählen. Darüber hinaus haben wir herausgefunden, dass nicht-radiometrische Bilder auch thermische Behaglichkeit anzeigen können, wenn der Algorithmus mit größeren Datenmengen trainiert wird. SCHLÜSSELWÖRTER: Thermischer Komfort, Vorhersage thermischer Präferenzen, maschinelles Lernen, Infrarot-Thermaltechnik
Der thermische Komfort in Innenräumen hat enorme Auswirkungen auf die Gesundheit und Leistungsfähigkeit der Bewohner. Daher haben Forscher und Ingenieure zahlreiche Rechenmodelle zur Schätzung des thermischen Komforts (TC) vorgeschlagen. Angesichts der Dynamik in Richtung Energieeffizienz liegt der aktuelle Schwerpunkt auf datengesteuerten TC-Vorhersagelösungen, die modernste Algorithmen des maschinellen Lernens (ML) nutzen. Die
Dies wird durch frühere Untersuchungen gestützt, die gezeigt haben dass die Verwendung von t sk $$ {t}_{sk} $$ als unabhängige Variable die Vorhersagegenauigkeit von thermischen Komfortmodellen verbessern kann. 16-21 In bestimmten Anwendungen gilt t sk $$ {t}_{sk} $ $ kann sogar mit berührungslosen Sensoren wie Infrarot bestimmt werden. 22-24 Es ist jedoch wichtig zu betonen, dass
The SchätzungDie Verbesserung der thermischen Behaglichkeit in Innenräumen und das damit verbundene Nutzerfeedback in Bürogebäuden ist wichtig, um ein zufriedenstellendes und sicheres Arbeitsumfeld zu schaffen, die Produktivität des Personals zu steigern und Beschwerden zu reduzieren. Die Bewertung des thermischen Komforts ist eine schwierige Aufgabe, da viele umweltbedingte, physiologische und kulturelle Variablen die thermische Wahrnehmung der Bewohner beeinflussen.
Zhou et al. 1 präsentierten ein datengesteuertes thermisches Komfortmodell basierend auf ASHRAE RP-884 unter Verwendung einer Support-Vektor-Maschine. Die Autoren betrachteten Klimaanlage und natürliche Belüftung als Eingabeparameter um die Vorhersagegenauigkeit zu verbessern.
Der thermische Komfort im Klassenzimmer hat einen direkten Einfluss auf die Gesundheit der Schüler und die Bildungsergebnisse. Die Messung des thermischen Komforts (TC) ist eine nicht triviale Aufgabe. Es wird durch mehrere subjektive Metriken dargestellt, z. B. Bewertung der thermischen Empfindung, Bewertung des thermischen Komforts, Bewertung der thermischen Präferenz usw. Da maschinelles Lernen (ML) zunehmend zur Vorhersage des Komforts der Bewohner eingesetzt wird, sind mehrere TC-Metriken für die
Die Bewertung der thermischen Umgebung und des thermischen Komforts in einem klimatisierten Raum ist eine wesentliche Voraussetzung für die Abschätzung der Leistung von Klimaanlagen. Konditionierungssysteme. Mehrere Komponentenstrukturen und steuerungsbezogene Parameter führen jedoch häufig zu einem langen Testzyklus und einer großen Anzahl von Tests, was sich erheblich auf die Testeffizienz und -geschwindigkeit auswirkt. Um diese Probleme anzugehen, wurden in dieser Studie Daten
< h3>Thermal">Multi-Task-Lernen zur gleichzeitigen Vorhersage der thermischen EigenschaftenDer thermische Komfort in Innenräumen hat enorme Auswirkungen auf die Gesundheit und Leistung der Bewohner. Daher haben Forscher und Ingenieure vorgeschlagenzahlreiche Rechenmodelle zur Abschätzung des thermischen Komforts (TC). Angesichts der Dynamik in Richtung Energieeffizienz liegt der aktuelle Schwerpunkt auf datengesteuerten TC-Vorhersagelösungen, die modernste Algorithmen des maschinellen Lernens (ML) nutzen. Allerdings ist die
In Gebäuden ein System oder eine Kombination von Systemen (z. B. zentrales HVAC-System, Deckenventilator, Schreibtisch) eines Bewohners erforderlich Ventilatoren, persönliche Heizgeräte und Fußwärmer) sind häufig für die thermische Behaglichkeit der Bewohner verantwortlich. Während sich gezeigt hat, dass die thermische Behaglichkeit von Person zu Person unterschiedlich ist und sich im Laufe der Zeit ändert, werden diese Systeme häufig auf der Grundlage vorab festgelegter Sollwerte und Betriebspläne betrieben oder auf Anfrage
Ein thermisches Komfortmodell wird mithilfe eines Big-Data-Modells erstellt. Angetriebene maschinelle Lernmethode zur Verbesserung der Vorhersagegenauigkeit comverglichen mit einem herkömmlichen Modell. Darüber hinaus wird ein auf künstlichen neuronalen Netzwerken basierendes Metamodell entwickelt, um die Leistung des IACS abzuschätzen.
Tabelle 2 vergleicht die oben genannten Studien nach vielen Kriterien: dem Zustand der Menschen (wache oder schlafende Personen), der Algorithmus und die Parameter, die zur Untersuchung des thermischen Komforts in Innenräumen verwendet werden, die Vorhersagegenauigkeit für Arbeiten, die auf einem maschinellen Lernalgorithmus zur Vorhersage des thermischen Komforts basieren, und die auf jeder Studie basierende Bevölkerung. Wir bemerken
Die Vorhersage der thermischen Empfindungen von Gebäudenutzern ist eine Herausforderung, aber nützlich für die Klimatisierung von Innenräumen. In dieser Studie wurde ein datengesteuertes Modell zur Vorhersage des thermischen Empfindens unter Verwendung von drei qualitätskontrollierten Datenbanken zum thermischen Komfort entwickelt. AbweichenEnt-Algorithmen für maschinelles Lernen wurden im Hinblick auf Vorhersagegenauigkeit und Rationalität verglichen. Das Modell wurde weiter verbessert durch
Um diese Ziele umzusetzen, gibt dieser Artikel einen Überblick Die Entwicklung thermischer Komfortmodelle. Dieses Papier ist in vier Teile gegliedert. In Abschnitt 2.1 werden die physiologischen Grundlagen des thermischen Komfortmodells und einige klassische thermische Komfortmodelle vorgestellt, darunter das PMV-PPD-Modell, das Zwei-Knoten-Modell und das Mehrknoten-Modell .
Einführung. In den letzten zwei Jahrzehnten hat der Bereich der Modellierung des thermischen Komforts einen wichtigen Paradigmenwechsel durchlaufen. Studien zum thermischen Komfort, die sich auf aggregierte Reaktionen einer Gruppe von Menschen konzentrieren, wie etwa PMV (Predictive Mean Vote) 1 und adaptive Modelle 2,3, werden in Frage gestelltdurch individualisierte und insassenzentrierte Modellierungsalternativen 4, 5, 6
2.3 ASHRAE Global Thermal Comfort Database II Die ASHRAE Global Thermal Comfort Database II ist eine internationale Zusammenarbeit unter der Leitung der University of California in Berkeley und der University of Sydney und zielt darauf ab, Studien zum thermischen Komfort voranzutreiben, indem die zahlreichen Daten aus weltweiten Studien zum thermischen Komfort integriert und harmonisiert werden 29. Als
Die oben genannten Algorithmen haben eine hohe Vorhersagegenauigkeit bei der Vorhersage des thermischen Komforts erreicht. Aktuelle Methoden zur Vorhersage des thermischen Komforts basieren jedoch auf der subjektiven Vorhersage des thermischen Komforts, bei denen es sich um Nicht-Echtzeit-Vorhersagemethoden handelt 15. Der subjektive thermische Komfort wird stark von individuellen Unterschieden beeinflusst und ist daher schwer zu beurteilenmal Comfort in a Car">Vorhersage des KI-basierten persönlichen thermischen Komforts in einem Auto
Die Definition des thermischen Komforts eines Passagiers in einer Autokabine ist aufgrund der engen Umgebung und verschiedener Parameter schwierig. Obwohl der Passagierkomfort vorhergesagt wird Bei Verwendung einer Skala für den thermischen Komfort in der gesamten Kabine oder einem lokalen Bereich kann der Bereich des Passagierkomforts aufgrund psychologischer Faktoren und individueller Vorlieben unterschiedlich sein. Zu den vielen Faktoren, die diesen Komfort beeinflussen, gehört der thermische Komfort in einem Auto ">Vorhersage der KI-basierten persönlichen thermischen Behaglichkeit in einem Auto
Die Definition der thermischen Behaglichkeit eines Passagiers in der Kabine eines Autos ist aufgrund der engen Umgebung und der verschiedenen Parameter schwierig. Obwohl der Passagierkomfort mithilfe einer thermischen Komfortskala für die gesamte Kabine oder einen lokalen Bereich vorhergesagt wird, kann der Bereich des Passagierkomforts auf der Skala aufgrund psychologischer Faktoren und individueller Vorlieben unterschiedlich sein. Unter den vielen Faktoren, die diesen Komfort beeinflussen, ist
1. Einführung. Das Konzept des thermischen Komforts und das Predicted Mean Vote (PMV)-Modell wurden erstmals von P.O. eingeführt. Fanger im Jahr 1970. Das Modell spiegelt die Beziehung zwischen physikalischen Faktoren und dem thermischen Zustand eines Individuums wider und stellt eine allgemeine Gleichung bereit, die alle Kombinationen von Variablen umfasst, die zu thermischem Komfort führen, wie in 1 dargelegt.
Die Schlüsselwörter „thermischer Komfort, maschinelles Lernen, künstliche Intelligenz, Komfortfaktor, Innenlufttemperatur und Steuerungsmethode“. ” wurden auch verwendet, um weitere verwandte Veröffentlichungen zu identifizieren. Wir konzentrieren uns auf Arbeiten, die maschinelles Lernen zur Vorhersage der Belegung von Gebäuden und verwandten Anwendungen verwendeten.
Ein persönliches Komfortmodell ist ein neuer Ansatz zur Vorhersage des thermischen KomfortsEs handelt sich um die thermischen Komfortreaktionen einzelner Personen und nicht um die durchschnittliche Reaktion einer großen Bevölkerung. Es ist jedoch eine Herausforderung, ein konsistentes Feedback der Insassen für die Modellentwicklung sicherzustellen, da die aktuellen Methoden der Datenerfassung auf der Befragung einzelner Personen basieren p>Der menschliche thermische Komfort ist für den menschlichen Lebenskomfort relevant und spielt eine entscheidende Rolle für die Gesundheit am Arbeitsplatz und die thermische Sicherheit. Um sicherzustellen, dass intelligente temperaturgesteuerte Geräte den Menschen ein Gefühl von Gemütlichkeit vermitteln und gleichzeitig ihre Energieeffizienz verbessern können, haben wir eine kluge Entscheidung getroffen -Erstellungssystem, das die Präferenz für die Anpassung des thermischen Komforts als Etikett festlegt und sowohl die
Persönlichen Vorhersagen widerspiegelt Der thermische Komfort über EEG-Signale kann eine Genauigkeit von fast 90 % erreichen und ist in der Lage, thermische Störungen zu erkennenKomfort und Unbehagen 64. Darüber hinaus ergab die Kombination von EEG- und maschinellen Lerntechniken, dass der Klassifikator der linearen Diskriminanzanalyse (LDA) die beste Leistung aufwies 65 .
Sensoren zur Verbesserung des thermischen Komforts. Die thermischen Empfindungsdaten des Menschen werden über eine Smartphone-App erfasst und genutzt in Echtzeit, um die Raumtemperatur zu steuern. Die Autoren in 18 schlugen SPOT+ vor, das ein Maß für den thermischen Komfort liefert, indem es die zukünftige Raumbelegung vorhersagt. Vorverarbeitung Feature Vector Extraction Classification
Die Bedeutung des maschinellen Lernens bei der datengesteuerten Modellierung des thermischen Komforts erweist sich als entscheidend. Die Vorhersage des persönlichen thermischen Komforts auf der Grundlage von Sensormesswerten sowie des potenziellen zukünftigen fortgeschrittenen Betriebs von GebäudenSysteme (mit reduzierter Sensoranwendung) sind die Hauptvorteile des maschinellen Lernansatzes für den persönlichen thermischen Komfort.
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
Leave Message
WhatsApp