ترجمه مقاله تخمین کمی از عملکرد انرژی ساختمان های مسکونی با ابزار یادگیری ماشین آماری - نشریه الزویر

قیمت خرید این محصول

۱۴۸,۰۰۰ تومان

دانلود رایگان نمونه دانلود مقاله انگلیسی

عنوان فارسی

تخمین کمی دقیق از عملکرد انرژی ساختمان های مسکونی با استفاده از ابزار یادگیری ماشین آماری

عنوان انگلیسی

Accurate quantitative estimation of energy performance of residential buildings using statistical machine learning tools

صفحات مقاله فارسی

21

صفحات مقاله انگلیسی

9

سال انتشار

2012

نشریه

الزویر - Elsevier

فرمت مقاله انگلیسی

PDF

فرمت ترجمه مقاله

ورد تایپ شده

رفرنس

دارد

کد محصول

6453

وضعیت ترجمه عناوین تصاویر و جداول

ترجمه شده است

وضعیت ترجمه متون داخل تصاویر و جداول

ترجمه شده است

وضعیت فرمولها و محاسبات در فایل ترجمه

به صورت عکس، درج شده است

رشته های مرتبط با این مقاله

معماری

گرایش های مرتبط با این مقاله

معماری پایدار

مجله

انرژی و ساختمان ها - Energy and Buildings

دانشگاه

ریاضی کاربردی و صنعتی (OCIAM)، موسسه ریاضی، دانشگاه آکسفورد بریتانیا

کلمات کلیدی

ارزیابی انرژی ساختمان، بار گرمایش، بار خنک کننده، آمار غیر پارامتری، یادگیری ماشین آماری

۰.۰ (هنوز امتیازی ثبت نشده است)

فهرست مطالب

چکیده
1. معرفی
2. داده
3. روش ها
3.1. شناسایی داده ها و تجزیه و تحلیل آماری
3.2. ترسیم آماری از متغیرهای ورودی به متغیرهای خروجی
3.2.1. حداقل مربعات که مکررا دوبار وزن دهی شده
3.2.2. طبقه بندی با استفاده از جنگلهای تصادفی
32..3. اعتبار سنجی متقابل و تعمیم مدل
4. نتایج
4.1. تحلیل آماری
4.2. نتایج اعتبار سنجی متقابل با استفاده از IRLS و RF
5. بحث

نمونه چکیده متن اصلی انگلیسی

Abstract—We develop a statistical machine learning framework to study the effect of eight input variables (relative compactness, surface area, wall area, roof area, overall height, orientation, glazing area, glazing area distribution) on two output variables, namely heating load (HL) and cooling load (CL), of residential buildings. We systematically investigate the association strength of each input variable with each of the output variables using a variety of classical and non-parametric statistical analysis tools, in order to identify the most strongly related input variables. Then, we compare a classical linear regression approach against a powerful state of the art nonlinear non-parametric method, random forests, to estimate HL and CL. Extensive simulations on 768 diverse residential buildings show that we can predict HL and CL with low mean absolute error deviations from the ground truth which is established using Ecotect (0.51 and 1.42, respectively). The results of this study support the feasibility of using machine learning tools to estimate building parameters as a convenient and accurate approach, as long as the requested query bears resemblance to the data actually used to train the mathematical model in the first place.

نمونه چکیده ترجمه متن فارسی

چکیده
ما یک چارچوب یادگیری ماشین آماری به منظور بررسی اثر هشت متغیر ورودی (فشردگی نسبی، مساحت سطح، سطح دیوار، منطقه(مساحت) سقف، ارتفاع کلی، جهت گیری، منطقه جداره، توزیع مساحت جداره) بر دو متغیر خروجی، یعنی بار گرمایشی (HL ) و بار خنک کننده (CL) از ساختمان های مسکونی را توسعه داده ایم. ما به طور سیستماتیک قدرت ارتباط هر متغیر ورودی با هر یک از متغیرهای خروجی را با استفاده از انواع ابزار تجزیه و تحلیل آماری کلاسیک و غیر پارامتری، به منظور شناسایی متغیرهای ورودی به شدت مرتبط را بررسی می کنیم. سپس، یک رویکرد کلاسیک رگرسیون خطی در مقابل حالتی قدرتمند از هنر روش غیر پارامتری غیر خطی، جنگل تصادفی، به منظور برآورد HL و CL مقایسه می کنیم. شبیه سازی های گسترده ای در 768 ساختمان مسکونی متنوع نشان می دهد که می توانیم HL و CL را با میانگین انحراف خطای مطلق کم از راستی آزمایی زمین که با استفاده از Ecotect (بترتیب 0.51 و 1.42) بنا نهاده شده را پیش بینی کنیم. نتایج حاصل از این مطالعه امکان استفاده از ابزار یادگیری ماشین به منظور برآورد پارامترهای ساختمان به عنوان یک روش مناسب و دقیق را حمایت می کنند، تا زمانی که سوالات خواسته شده به داده هایی که واقعا در وهله اول برای آموزش مدل ریاضی استفاده شده است، شباهت داشته باشد.