論文の概要: Application of Algorithms in Energy-Efficient Design Platforms for Green Building
- arxiv url: http://arxiv.org/abs/2606.01229v1
- Date: Sun, 31 May 2026 13:26:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:29.457558
- Title: Application of Algorithms in Energy-Efficient Design Platforms for Green Building
- Title（参考訳）: グリーンビル用エネルギー効率設計プラットフォームへのアルゴリズムの適用
- Authors: Na Yu, Fu Wenli, Guo Fei,
- Abstract要約: 本稿では,ビルディング情報モデリング,センサ操作データ,ロバストアルゴリズムを用いた高度なシミュレーションを組み合わせたプラットフォームを提案する。
ケーススタディとして中層オフィスビルが選定された。
- 参考スコア（独自算出の注目度）: 1.8231950836324822
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: During green building design, computer-aided energy assessment is widely used to improve efficiency and achieve overall optimization. This paper presents a platform that combines Building Information Modeling (BIM), sensor operational data, and advanced simulation workflows using robust algorithms. The platform uses a multi-layer service architecture with dynamic energy simulation and evolutionary multi-objective optimization, connected via a high-performance C++ core and adaptive agent models. A mid-rise office building was selected as the case study. Five representative areas were chosen to collect data on building envelope characteristics and occupancy patterns. After preprocessing, missing sensor data accounted for 3.2% of annual records, and all variables were standardized using 15-minute interpolation. After 40 optimization rounds, annual energy consumption per square meter dropped by 29.3% from 315 kWh/m2 to 223 kWh/m2. The lifecycle cost increase for occupants was limited to 3.7%, and discomfort hours were reduced to under 70 hours per year. Analysis of Pareto optimal solutions shows that the envelope U-value ranges from 1.05 to 1.57 W/m2K, and nighttime ventilation rate ranges from 2.1 to 3.6 h-1, both closely linked to energy performance. The results confirm that the integrated algorithm framework offers good scalability, strong performance, and technical feasibility for green building design. This platform provides a reliable decision-support tool for design engineers and sustainability practitioners, enabling accurate, data-driven delivery of energy-efficient buildings.
- Abstract（参考訳）: グリーンビルの設計において、コンピュータ支援エネルギーアセスメントは効率を改善し、全体的な最適化を達成するために広く利用されている。
本稿では,ビルディング情報モデリング(BIM),センサ操作データ,ロバストアルゴリズムを用いた高度なシミュレーションワークフローを組み合わせたプラットフォームを提案する。
このプラットフォームは、動的エネルギーシミュレーションと進化的多目的最適化を備えた多層サービスアーキテクチャを使用しており、高性能C++コアと適応エージェントモデルを介して接続されている。
ケーススタディとして中層オフィスビルが選定された。
建築封筒の特徴と占有パターンのデータを収集するために, 代表的な5つのエリアが選ばれた。
事前処理後、センサーの欠如したデータは年間記録の3.2%を占め、全ての変数は15分間の補間によって標準化された。
40回の最適化ラウンドの後、1平方メートルあたりのエネルギー消費量は315 kWh/m2から223 kWh/m2に29.3%減少した。
住民の生活費は3.7%に制限され、不快な時間は年間70時間未満に削減された。
パレート最適解の解析によれば、エンベロープU値は1.05から1.57W/m2Kの範囲であり、夜間換気速度は2.1から3.6h-1の範囲であり、どちらもエネルギー性能と密接に関連している。
その結果、統合されたアルゴリズムフレームワークは、グリーンビルディング設計に優れたスケーラビリティ、強力なパフォーマンス、技術的実現性を提供することを確認した。
このプラットフォームは、設計エンジニアとサステナビリティ実践者に信頼性の高い意思決定支援ツールを提供し、エネルギー効率の良い建物の正確なデータ駆動デリバリを可能にする。
関連論文リスト
- Step 3.5 Flash: Open Frontier-Level Intelligence with 11B Active Parameters [169.7981969517903]
Step 3.5 Flashは、フロンティアレベルのエージェントインテリジェンスと計算効率を橋渡しする。
エージェントを構築する上で最も重要なもの、すなわち、シャープな推論と高速で信頼性の高い実行に重点を置いています。
論文 参考訳（メタデータ） (2026-02-11T07:53:51Z) - Energy Scaling Laws for Diffusion Models: Quantifying Compute and Carbon Emissions in Image Generation [50.21021246855702]
本稿では,計算複雑性(FLOP)に基づく拡散モデルに対するGPUエネルギー消費予測のためのKaplanスケーリング法の適用法を提案する。
提案手法は, テキストエンコーディング, 反復的復号化, 復号化コンポーネントへの拡散モデル推論を分解し, 複数の推論ステップをまたいだ繰り返し実行により, 演算の復号化がエネルギー消費を支配しているという仮説を導いた。
この結果は拡散予測の計算バウンドの性質を検証し、持続可能なAIデプロイメント計画と炭素フットプリント推定の基礎を提供する。
論文 参考訳（メタデータ） (2025-11-21T08:12:47Z) - The Environmental Impact of Ensemble Techniques in Recommender Systems [0.0]
推薦システムにおけるアンサンブル技術は10～30%の精度向上を実証しているが、その環境影響は未測定のままである。
この論文は、単一最適化モデルと比較してアンサンブル技術が環境に与える影響について考察する。
論文 参考訳（メタデータ） (2025-11-10T14:06:58Z) - Smart Buildings Energy Consumption Forecasting using Adaptive Evolutionary Ensemble Learning Models [23.650796013805937]
本稿では,Baging,Stacking,Vottingの3つのハイブリッドアンサンブル予測モデルと,高速かつ効果的な進化的ハイパーパラメータチューナを組み合わせることを提案する。
ベルギーのモンス州スタンブロークに18個のセンサを設置し, 気象パラメータ, 家電エネルギー使用量, 温度, 湿度, 照明エネルギー消費のハイブリッドデータセットを用いて, 提案したエネルギー予測モデルの性能を評価した。
予測結果は,適応的進化的バッグングモデルが,精度と学習誤差の両方で他の予測モデルを上回ったことを示している。
論文 参考訳（メタデータ） (2025-06-13T15:13:15Z) - EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。
本稿では,新しいベンチマークであるEfficientLLMを紹介する。
論文 参考訳（メタデータ） (2025-05-20T02:27:08Z) - PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。
このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。
提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
論文 参考訳（メタデータ） (2025-03-01T03:37:09Z) - Towards General and Efficient Online Tuning for Spark [55.30868031221838]
本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。
我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
論文 参考訳（メタデータ） (2023-09-05T02:16:45Z) - End-to-end deep meta modelling to calibrate and optimize energy
consumption and comfort [0.0]
本稿では,リカレントニューラルネットワークに基づくメタモデルを導入し,一般の建物の挙動を予測する訓練を行う。
メタモデルの予測とセンサから得られた実データを比較することでパラメータを推定する。
エネルギー消費は、目標の熱の快適さと空気の質を維持しながら最適化されている。
論文 参考訳（メタデータ） (2021-02-01T10:21:09Z) - How to Train PointGoal Navigation Agents on a (Sample and Compute)
Budget [52.17005499269176]
サンプル予算(75万フレーム)と計算予算(1日で1GPU)の両方でPointGoalナビゲーションを研究する。
計算予算では、RGB-DエージェントのパフォーマンスはGibsonで19 SPL、Matterport3Dで35 SPL向上している。
コミュニティの実験をより効率的にするために、私たちの発見と推奨が役立てることを願っています。
論文 参考訳（メタデータ） (2020-12-11T04:28:48Z) - Highly Efficient Salient Object Detection with 100K Parameters [137.74898755102387]
そこで我々は,段階内および複数ステージのマルチスケール機能を効率的に活用するために,フレキシブルな畳み込みモジュールであるOctoConv(gOctConv)を提案する。
我々は、非常に軽量なモデル、すなわちCSNetを構築し、一般的なオブジェクト検出ベンチマークで、約0.2%(100k)の大規模モデルで同等のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2020-03-12T07:00:46Z)
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。