論文の概要: Digital Twin for Grey Box modeling of Multistory residential building thermal dynamics

• arxiv url: http://arxiv.org/abs/2402.02909v1
• Date: Mon, 5 Feb 2024 11:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 16:49:54.682882
• Title: Digital Twin for Grey Box modeling of Multistory residential building thermal dynamics
• Title（参考訳）: 多層住宅の熱力学のグレイボックスモデリングのためのデジタル双生児
• Authors: Lina Morkunaite, Justas Kardoka, Darius Pupeikis, Paris Fokaides, Vangelis Angelakis
• Abstract要約: 北ヨーロッパでは、暖房エネルギーだけで全体のエネルギー消費の70%を占める。 本研究では,建築熱力学のグレーボックスモデリングを容易にするアーキテクチャを提案する。 このアーキテクチャは、デジタルツインプラットフォームを作成するケーススタディで検証されている。
• 参考スコア（独自算出の注目度）: 1.0987093127987972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Buildings energy efficiency is a widely researched topic, which is rapidly gaining popularity due to rising environmental concerns and the need for energy independence. In Northern Europe heating energy alone accounts for up to 70 percent of the total building energy consumption. Industry 4.0 technologies such as IoT, big data, cloud computing and machine learning, along with the creation of predictive and proactive digital twins, can help to reduce this number. However, buildings thermal dynamics is a very complex process that depends on many variables. As a result, commonly used physics-based white box models are time-consuming and require vast expertise. On the contrary, black box forecasting models, which rely primarily on building energy consumption data, lack fundamental insights and hinder re-use. In this study we propose an architecture to facilitate grey box modelling of building thermal dynamics while integrating real time IoT data with 3D representation of buildings. The architecture is validated in a case study creating a digital twin platform that enables users to define the thermal dynamics of buildings based on physical laws and real data, thus facilitating informed decision making for the best heating energy optimization strategy. Also, the created user interface enables stakeholders such as facility managers, energy providers or governing bodies to analyse, compare and evaluate buildings thermal dynamics without extensive expertise or time resources.
• Abstract（参考訳）: ビルのエネルギー効率は広く研究されており、環境問題の増加とエネルギー自立の必要性により急速に人気が高まっている。 北ヨーロッパでは、暖房エネルギーだけで全体のエネルギー消費の70%を占める。 IoT、ビッグデータ、クラウドコンピューティング、機械学習といった4.0の産業技術は、予測とプロアクティブなデジタルツインの作成とともに、この数を削減できる。 しかし、構造熱力学は、多くの変数に依存する非常に複雑なプロセスである。 その結果、一般的に使われている物理ベースのホワイトボックスモデルは時間がかかり、膨大な専門知識を必要とする。 それとは対照的に、主にエネルギー消費データの構築に依存しているブラックボックス予測モデルは、基本的な洞察を欠き、再利用を妨げる。 本研究では,建築の3次元表現とリアルタイムIoTデータを統合することで,建築熱力学のグレーボックスモデリングを容易にするアーキテクチャを提案する。 このアーキテクチャは、ユーザーが物理法則と実データに基づいて建物の熱力学を定義することができるデジタルツインプラットフォームを作成するケーススタディで検証され、最適な暖房エネルギー最適化戦略のためのインフォームド意思決定が容易になる。 また、作成したユーザインターフェースにより、施設管理者やエネルギー提供者、管理機関といったステークホルダーが、広範囲の専門知識や時間資源なしに、建物の熱力学を分析し、比較し、評価することができる。

関連論文リスト

• vHeat: Building Vision Models upon Heat Conduction [63.00030330898876]
  vHeatは、高い計算効率とグローバルな受容場の両方を同時に達成する、新しいビジョンバックボーンモデルである。 基本的な考え方は、画像パッチを熱源として概念化し、それらの相関の計算を熱エネルギーの拡散としてモデル化することである。
  論文  参考訳（メタデータ） (2024-05-26T12:58:04Z)
• The Forecastability of Underlying Building Electricity Demand from Time Series Data [1.3757257689932039]
  ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。 建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。 このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
  論文  参考訳（メタデータ） (2023-11-29T20:47:47Z)
• Data-driven building energy efficiency prediction using physics-informed neural networks [2.572906392867547]
  住宅のエネルギー性能を予測するための物理インフォームドニューラルネットワークモデルを提案する。 物理方程式に基づく関数は、熱損失に基づいて建物のエネルギー消費を計算し、深層学習モデルの損失関数を強化する。 この手法はラトビアのリガにある256の建物の実例調査で検証されている。
  論文  参考訳（メタデータ） (2023-11-14T09:55:03Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Zero Shot Learning for Predicting Energy Usage of Buildings in Sustainable Design [2.929237637363991]
  2030年の挑戦は、2030年までにすべての新しい建物と大規模な改修をカーボン中立にすることを目的としている。 建築要素が建築のエネルギー利用にどのように貢献するかを理解することが重要である。 予測精度を向上させるために、AIベースのソリューションにリッチなトレーニングデータセットが必要である。
  論文  参考訳（メタデータ） (2022-02-10T18:08:58Z)
• Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
  コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。 継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
  論文  参考訳（メタデータ） (2021-09-12T09:40:18Z)
• Times Series Forecasting for Urban Building Energy Consumption Based on Graph Convolutional Network [20.358180125750046]
  建設業はアメリカにおけるエネルギー消費の40%以上を占めている。 UBEMはエネルギー効率の良いコミュニティの設計を支援する基盤である。 データ駆動型モデル統合工学または物理知識は、都市建設エネルギーシミュレーションを大幅に改善することができる。
  論文  参考訳（メタデータ） (2021-05-27T19:02:04Z)
• AI Chiller: An Open IoT Cloud Based Machine Learning Framework for the Energy Saving of Building HVAC System via Big Data Analytics on the Fusion of BMS and Environmental Data [12.681421165031576]
  建物における省エネルギーと二酸化炭素排出量削減は気候変動対策の鍵となる手段の一つである。 シラーシステムの電力消費の最適化は、機械工学と建築サービス領域で広く研究されてきた。 ビッグデータとAIの進歩により、最適化問題への機械学習の採用が人気を集めている。
  論文  参考訳（メタデータ） (2020-10-09T09:51:03Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。