Uyarlanabilir cepheler bağlamında yapay zeka algoritmalarının göreli etkinliğinin analizi

Abstract

Uyarlanabilir cepheler, binalarda enerji verimliliğini arttırmanın yanı sıra bina içinde aşırı ısınmayı önleme ve kullanıcı konforunu sağlamada etkili bir araçtır. Uyarlanabilir cephe sistemlerinin performansa dayalı optimizasyonu için AI algoritmaları sıklıkla kullanılmakla birlikte çeşitli meta-model ve optimizasyon algoritmalarını bütünleştiren çok amaçlı optimizasyon yöntemlerine de ihtiyaç duyulur. Çalışmanın amacı, uyarlanabilir cephe sistemlerinin enerji verimliliği ve gün ışığı performansını değerlendirme bağlamında farklı yapay zekâ optimizasyon algoritmalarının performansını karşılaştırmaktır. Bu amaçla çalışmada çok aşamalı ve sistematik bir yöntem geliştirilmiştir. Optimizasyon sürecinde verileri sağlamak için BESTEST bina geometrisinin parametrik modellenmesi ve simülasyonu Rhino/Grasshopper ortamında yapılmıştır. Simülasyonlar aracılığıyla veriler oluşturulmuş ve farklı özellik seçimi algoritmaları kullanılarak optimizasyon süreci için etkili parametreler belirlenmiştir. Verilerin sağlanmasıyla makine öğrenmesi yöntemlerine ait olan tekli ve hibrit meta-modellerin performansları karşılaştırılmıştır. En düşük hata oranı ve en yüksek güvenilirliğe sahip ANN-CatBoost meta-modeli, optimizasyon algoritmaları için amaç fonksiyonu olarak kullanılmıştır. Algoritmaların performansı, hesaplama süresi açısından incelendiğinde SA 3.68 dk ile en hızlı, EP algoritması ise 277 dk ile en yavaş algoritma olarak belirlenmiştir. Dolayısıyla SA algoritmasının uyarlanabilir cephelerin erken tasarım süreçlerinde kullanılabileceği öngörülmekle birlikte, çözüm kalitesi açısından en olumsuz performansı gösterdiği saptanmıştır. SMA algoritması enerji performansı değerlendirilmesinde 6397,24 kWh değeri ile DE algoritması ise yararlı gün ışığı aydınlatması performansında %93,82 oranı ile en etkili algoritmalar olarak belirlenmiştir Enerji tüketimi ve aydınlatmayı kapsayan genel performans karşılaştırılmasında ise DE, SMA, MFO ve EP algoritmaları en yüksek performans değerlerini sergilemişlerdir. Anılan algoritmalar tüm iterasyonlarda çok düşük uygunluk değerlerine ulaşarak, çok amaçlı probleme en etkili çözümleri üretmişlerdir. Ayrıca optimizasyona yönelik amaçlara dinamik ağırlık ataması yapıldığında, algoritma performanslarının önemli ölçüde değiştiği görülmektedir. Uyarlanabilir cephelerin optimizasyonuna yönelik gelecek çalışmalarda, bu çalışmada kullanılan optimizasyon algoritmaları performanslarının farklı tasarım senaryoları ile karşılaştırmalı olarak incelenmesi konuya ilişkin çalışmalara katkı sağlayacaktır.Adaptive facades are an effective tool for increasing energy efficiency in buildings, as well as preventing overheating inside the building and ensuring user comfort. AI algorithms are often used for performance-based optimization of adaptive facades, but there is a need for a multi-objective optimization method that integrates various meta-models and optimization algorithms. The aim of this study is to compare the performance of different AI optimization algorithms for evaluating the energy efficiency and daylight performance of adaptive facade systems. For this purpose, a multi-stage and systematic method has been developed. The parametric modeling and simulation of the BESTEST building geometry were performed in the Rhino/Grasshopper environment to provide data for the optimization process. Data was generated through simulations, and effective parameters for the optimization process were determined using different feature selection algorithms. With the data provided, the performance of single and hybrid meta-models belonging to machine learning methods was compared. The ANN-CatBoost meta-model, which had the lowest error rate and highest reliability, was used as the objective function for the optimization algorithms. When the performance of the algorithms was examined in terms of computation time, SA was the fastest algorithm at 3.68 minutes, while EP was the slowest at 277 minutes. The SA algorithm can be used in the early design stages of adaptive facades, but it showed the worst performance in terms of solution quality. The SMA algorithm was the most effective in terms of energy performance (6397.24 kWh), while the DE algorithm was the most effective in terms of useful daylighting performance (93.82%). In the overall performance comparison, DE, SMA, MFO, and EP were the algorithms with the highest performance. These algorithms achieved very low fitness values in all iterations, producing the most effective solutions to the multi-objective problem. Furthermore, it is observed that the performance of the algorithms changes significantly when dynamic weighting is applied to the optimization objectives. In future studies on the optimization of adaptive facades, comparing the performance of the optimization algorithms used in this study with different design scenarios will contribute to research on this topic.