ارائه کننده: فریبا جورقانیان استاد راهنما: دکتر امید اکبری استاد ناظر داخلی: دکتر نصرالله مقدم چرکری استاد ناظر خارجی: دکتر علیرضا فریدونیان (دانشگاه خواجه نصیرالدین طوسی) تاریخ: ۱۴۰۳/۰۷/۲۹ ساعت: ۱۵ مکان: دانشکده مهندسی برق و کامپیوتر، طبقه ۵، کنار آسانسور، اتاق تلویزیون

چکیده: مصرف انرژی در ساختمان‌ ها بخش قابل توجهی از مصرف انرژی جهانی و انتشار دی‌ اکسیدکربن را تشکیل می‌ دهد. پیش‌ بینی دقیق مصرف انرژی ساختمان برای بهینه‌ سازی استفاده از انرژی، کاهش هزینه‌ ها و کاهش اثرات زیست‌ محیطی ضروری است. روش‌ های پیش‌ بینی سنتی اغلب ساختمان‌ ها را به‌ عنوان یک واحد در نظر می‌ گیرند و روابط فضایی و تعاملات بین نواحی مختلف داخل ساختمان را نادیده می‌ گیرند. علاوه بر این، در حالی که مدل‌ های یادگیری عمیق الگوهای زمانی را به‌ طور مؤثری ثبت می‌ کنند، اغلب به تغییرات مکانی و ناهمگنی ذاتی بین نواحی مختلف ساختمان توجه نمی‌ نمایند. الگوریتم‌ های هوش مصنوعی توانایی حل مسائل پیچیده را با تحلیل داده‌ های بزرگ و شناسایی الگوهای پنهان دارند. از این رو، در این پایان‌ نامه از این الگوریتم‌ ها برای بهبود پیش‌ بینی مصرف انرژی در ساختمان‌ ها استفاده شده است. در این پژوهش، سه مدل برای رفع این چالش‌ ها معرفی شده است: یک مدل   GNNهمگن که وابستگی‌ های فضایی بین نواحی ساختمان را در نظر می‌ گیرد؛ یک مدل GNN ناهمگن که وابستگی‌ های فضایی را همراه با تفاوت‌ های ذاتی بین نواحی مختلف با نمایش ساختمان به‌ عنوان یک گراف ناهمگن با انواع مختلف گره‌ ها و یال‌ ها مدل‌ سازی می‌ کند؛ و یک مدل GNN ناهمگن فضایی-زمانی با LSTM که ناهمگنی فضایی را با تغییرات زمانی ترکیب می‌ کند. در این مدل، یک رمزگذار فضایی برای مدیریت گراف‌ های ناهمگن و یک رمزگذار زمانی متشکل از شبکه‌ های LSTM برای هر نوع گره ادغام شده است. داده‌ های مورد استفاده از مجموعه داده CU-BEM، که شامل اطلاعات عملکردی دقیق از یک ساختمان اداری هفت‌ طبقه است، استخراج شده‌ اند. معیارهای ارزیابی مانند خطای میانگین مربعات، ریشه میانگین مربعات خطا، خطای مطلق میانگین و ضریب تعیین برای ارزیابی عملکرد مدل‌ ها به‌ کار گرفته شدند. نتایج نشان می‌ دهد که مدل ناهمگن فضایی-زمانی با نرخ یادگیری ۰.۰۰۱ بهترین عملکرد را نشان داد و توانست خطای میانگین مربعات را به ۰.۴۶۵۷ کاهش داده و ضریب تعیین ۰.۹۳۴۴ برساند، که بیانگر بهبود ۲۱ درصد نسبت به مدل همگن است. همچنین، افزودن ویژگی‌ های یال در مدل GNN همگن باعث بهبود دقت پیش‌ بینی به میزان ۲۶.۳ درصد در مقایسه با مدل همگن بدون ویژگی یال شد.