TW201903653A - 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 - Google Patents

運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 Download PDF

Info

Publication number
TW201903653A
TW201903653A TW106119345A TW106119345A TW201903653A TW 201903653 A TW201903653 A TW 201903653A TW 106119345 A TW106119345 A TW 106119345A TW 106119345 A TW106119345 A TW 106119345A TW 201903653 A TW201903653 A TW 201903653A
Authority
TW
Taiwan
Prior art keywords
module
neural network
building
analysis
network learning
Prior art date
Application number
TW106119345A
Other languages
English (en)
Other versions
TWI636405B (zh
Inventor
陳上元
Original Assignee
逢甲大學
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 逢甲大學 filed Critical 逢甲大學
Priority to TW106119345A priority Critical patent/TWI636405B/zh
Application granted granted Critical
Publication of TWI636405B publication Critical patent/TWI636405B/zh
Publication of TW201903653A publication Critical patent/TW201903653A/zh

Links

Landscapes

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本發明提供一種運用類神經網路學習之綠建築效能模擬分析系統，以減少仿真的性能數值和實質環境性能的實測數值之間的差距。由於類神經網路學習經過學習訓練可以獲得預測的能力，所以其預測值比"仿真數值"更接近實測性能。因此，本發明以”預測值”取代”仿真值”，藉以增進綠建築效能模擬分析系統的預測效度。

Description

運用類神經網路學習之綠建築效能模擬分析系統 及其運作方法
本發明係關於一種綠建築模擬分析系統及其運作方法，尤指一種運用監督式類神經網路學習，並將設計端導向營運端增進預測效度的綠建築模擬分析系統及其運作方法。
建築模擬之目的在於對所提供的建築設計或資訊進行分析，並藉由建築模擬結果再進一步修改設計或計畫，因此建築前置作業流程將在經過資訊收集、模擬和分析三者不斷地循環後，得到合議結果才能夠進行後續相關作業。
以現有技術來說，在資訊收集的部分將依據計畫或設計目的不同而選擇上有所差異，建築模擬的部分則以建築資訊模型(Building information modeling,BIM)為主，將建築資訊、參數、時間等資料納入3D模型元件內，與過去以平面為基礎的電腦輔助建築設計(Computer Aided Architectural Design,CAAD)相比較，其差異性包括(1)從平面2D線性思考模式改變為3D立體化視覺模擬到4D時間管理，(2)從圖紙作業到數位資訊管理，(3)從靜態單一操作到動態連結。而分析部分則以建築效能分析(Building performance analysis,BPA)為主，以電腦軟體來預測建築性能，並輸出、可視化的仿真圖像、數據、統計分析圖與表單，提供了建築性能視覺化與數據化的分析結果，以協助使用者理解其設計方案性能的運行，並藉以作為設計決策或者作為持續優化設計方案的依據。
然而，近年來在氣候環境劇變與全球能源危機情勢下，衍生出綠色的建築資訊模型，強調設計之初便以建築資訊模型(BIM)作為工具，因應在地化的氣候條件，進行建築性能分析(BPA)，並且注重BIM與BPA軟體技術的結合，進行整合性設計，以促進建築設計、分析、合理的決策循環，產生符合環境效益的最適化的設計方案，進而獲得更具備環境效益的優化發展。
由上述可知，習知模擬分析系統僅著重於設計端，將得到的最適化的設計方案運用於營造端時，發現建築性能分析(BPA)仿真的性能數據和根據最適化的方案所建造的實質環境之間，始終存在著性能數值的差距，而造成營建與營運的損耗。
故為協助設計者能將設計端串接至營運端，減少仿真的性能數據和根據最適化的方案所建造的實質環境之間所存在的性能數值的差距，本發明提供一運用類神經網路學習的綠建築效能模擬分析系統，透過監督式的類神經網路學習獲得預測能力，並驅動實構築的可調適立面元件，將設計端串接至營運端，使其能更接近實測性能。
本發明之運用類神經網路學習之綠建築效能模擬分析系統包含：一輸入裝置，設置有一處理模組；一建模模組，與該處理模組相連 接，產生一量體模型；一參數編程模組，與該建築模組相連接，用以進行編碼及調變一輸入參數；一效能分析模組，與該處理模組以及該建模模組相連接，用以產生一仿真值以及一可視化分析；一實構築模組，與該處理模組以及該效能分析模組相連接，包括一實構築單元與一感測單元，用以產生一實測值；一類神經網路學習模組，與該效能分析模組以及該實構築模組，用以產生一預測值；以及一比對模組，與該效能分析模組以及該類神經網路學習模組相連接，用以比對該預測值與該仿真值，得到一最適化方案。
其中，該建模模組以建築資訊模型(BIM)為基礎，主要包含幾何、物理和拓撲資訊的接收、模擬和輸出，產生出建築物的該量體模型。
該效能分析模組以建築效能分析(BPA)為基礎，主要分析的建築性能項目包含建築日照與採光、室內照明、遮陽與陰影、遮陽優化、熱輻射、空氣與對流、空調耗能、音效設計、通風環境、視覺影響、整體建築能源性能仿真和生命週期的能耗與碳排放等等，提供分析數據資訊，用以產生該仿真值以及該可視化分析。該可視化分析為氣象站的典型氣象年(Typical Meteorological Year,TMY)天氣資料、風環境分析、光環境分析、用電密度(Energy use intensity,EUI)、建築生命週期耗能及成本計算、能源回收/節能潛力、平均碳排放、每月空調負荷以及尖峰用電需求等等。
該類神經網路學習模組以監督式學習的多層倒傳遞類神經網路(Back Propagation Neural Network,BPN)作為學習演算法，進行類神經網路監督式學習訓練，使其具備預測能力，並從仿真值預測到實測值的近似值(預測值)。
該感測單元為照度器、溫度感測器、濕度感測器、聲音感測器以及風速感測器至少其中之一。該輸入裝置為個人電腦、平板電腦或智慧型手機。
本發明更包含一資料庫模組，與該建模模組無線或有線相連接，其中該資料庫模組包含一氣象數據資料庫以及一地理環境資料庫。其中該氣象數據資料庫包括一真實氣象站以及一虛擬氣象站的氣象數據資料，該虛擬氣象站技術使得本發明不受限於區域的應用。該地理環境資料庫係包含地形、道路和建築空間的數據化及圖像化資訊。該真實氣象站以及該虛擬氣象站的資料格式為國際通用的典型氣象年(Typical Meteorological Year,TMY)。
本發明更可包含一輸出模組，該輸出模組與該處理模組相連接，該輸出模組可為顯示器、印表機或投影機。
由上述可知，本發明以可調適的機制，因應外部環境變化，並透過系統內的監督式的類神經網路學習模組獲得預測能力，以”預測值”取代建築性能分析的”仿真值”，來判斷是否達到設定目標，還可執行實體模型，將設計端導向至營運端，縮小設計階段至營運階段之間性能數值之落差，進而降低營建與營運的損耗。由於其”預測值”比”仿真值”更接近實測性能，不僅減少仿真的性能數值和實質環境性能的實測數值之間的差距，還可增進綠建築效能模擬分析系統的預測效度。
本發明另一目的為提供一種運用類神經網路學習之綠建築效能模擬分析系統的運作方法，其步驟包含：A.建模：以一參數編程模組作為視覺化編程平台調變一輸入參數，導入一建模模組建立一量體模型， 匯出gbXML(Green Building Extensible Markup Language)建築模擬格式檔；B.性能仿真分析：gbXML(Green Building Extensible Markup Language)建築模擬格式檔上傳至一效能分析模組產生一可視化分析以及一仿真值；C.實構築與實測：將該輸入參數匯入一實構築模組進行可調適的建築立面以得到一實測值；D.搜集數據進行類神經網路學習訓練：搜集該仿真值數據以及該實測值數據作為範例資料，匯入一類神經網路學習模組以多層倒傳遞網路學習進行訓練獲得預測能力，產生一預測值；E.設定目標獲得一最適化方案：將該預測值與該仿真值匯入一比對模組，以該預測值作為設定目標的比對條件，獲得一最適化方案；以及F.進行腳本導向的自動控制：根據最適化方案的參數設定產生實體模型。
其中步驟C之該實構築模組包括一實構築單元與一感測單元。該感測單元為照度器、溫度感測器、濕度感測器、聲音感測器以及風速感測器至少其中之一。其中步驟B之該可視化分析為氣象站的典型氣象年(TMY)天氣資料、風環境分析、光環境分析、用電密度(EUI)、建築生命週期耗能及成本計算、能源回收/節能潛力、平均碳排放、每月空調負荷以及尖峰用電需求。
由上述可知，本發明協助設計者將設計端串接至營運端，減少仿真的性能數據和根據最適化的方案所建造的實質環境之間所存在的性能數值的差距，透過監督式的類神經網路學習練獲得預測能力，並驅動實構築的可調適立面元件，將設計端串接至營運端，使其能更接近實測性能，提高了系統的預測效度，降低營建與營運的損耗。
10‧‧‧輸入裝置
11‧‧‧處理模組
20‧‧‧建模模組
30‧‧‧參數編程模組
40‧‧‧效能分析模組
50‧‧‧實構築模組
51‧‧‧實構築單元
52‧‧‧感測單元
60‧‧‧類神經網路學習模組
70‧‧‧比對模組
80‧‧‧資料庫模組
81‧‧‧氣象數據資料庫
82‧‧‧地理環境資料庫
90‧‧‧輸出模組
第1圖為本發明之運用類神經網路學習之綠建築效能模擬分析系統結構示意圖；圖2為本發明之運用類神經網路學習之綠建築效能模擬分析系統運作方法流程圖。
請參考圖1，圖1為本發明之運用類神經網路學習之綠建築效能模擬分析系統結構示意圖。如圖1所示，本發明提供一運用類神經網路學習之綠建築效能模擬分析系統包含：一輸入裝置10，設置有一處理模組11；一建模模組20，與該處理模組11相連接，產生一量體模型；一參數編程模組30，與該建築模組20相連接，用以進行編碼及調變一輸入參數；一效能分析模組40，與該處理模組11以及該建模模組20相連接，用以產生一仿真值以及一可視化分析；一實構築模組50，與該處理模組11以及該效能分析模組40相連接，包括一實構築單元51與一感測單元52，用以產生一實測值；一類神經網路學習模組60，與該效能分析模組40以及該實構築模組50，用以產生一預測值；以及一比對模組70，與該效能分析模組40以及該類神經網路學習模組60相連接，用以比對該預測值與該仿真值，得到一最適化方案。
其中該建模模組20以建築資訊模型(BIM)為基礎，主要包含幾何、物理和拓撲資訊的接收、模擬和輸出，用以產生三維的建築物一量體模型，該量體模型為紀錄建築物的幾何空間關係、地理資訊、建築元件的數量和相關性質的數位模型。該建模模組20除了建立3D的幾何資訊，也 包括了部份需要傳遞給該效能分析模組40所需要的非幾何資訊。
該效能分析模組40以建築效能分析BPA)為基礎，主要分析的建築性能項目有建築日照與採光、室內照明、遮陽與陰影分析、遮陽優化、熱輻射、空氣與對流、空調耗能、音效設計、通風環境、視覺影響、整體建築能源性能仿真和生命週期的能耗與碳排放分析等等，提供可視化的仿真圖像、仿真值數據、統計分析圖與表單，以協助使用者理解設計方案性能的運行。該可視化分析可為氣象站的典型氣象年(TMY)天氣資料、風環境分析、光環境分析、用電密度(EUI)、建築生命週期耗能及成本計算、能源回收/節能潛力、平均碳排放、每月空調負荷以及尖峰用電需求等等。
本發明還可包含一資料庫模組80，與該建模模組20無線或有線相連接，其中該資料庫模組80包含一氣象數據資料庫81以及一地理環境資料庫82。該氣象數據資料庫81，包括來自一真實氣象站以及一虛擬氣象站的資料，其資料來源的格式為國際通用的典型氣象年(TMY)，即各氣象站以近30年的月平均值為依據，並從近10年數據中選取一年各月接近30年的平均值，作為典型氣象年。以各真實的氣象站之TMY數據為基礎，再進行虛擬氣象站的仿真運算，以補足各實際測站間的數據落差，並使建置的氣象網格距離達到14公里以內，提升仿真準確性。由於該虛擬氣象站技術突破使得本發明不受限於區域的應用。該地理環境資料庫82係包含地形、道路和建築空間的數據化及圖像化資訊。該資料庫模組80亦可為雲端資料庫，與該建模模組20透過網路或wifi無線相連。
本發明更可包含一輸出模組90，與該輸入裝置10之處理模組11相連接，該輸出模組90可為顯示器、印表機或投影機。
該輸入裝置10為個人電腦、平板電腦或智慧型手機。在該輸入裝置10輸入建築物的屬性參數，例如：建築類型、活動類型與使用者密度、外殼屬性(如構造材質、熱傳導係數或隔熱係數)、空調和照明等，透過該處理模組11傳送至該建模模組20，該建模模組20自該資料庫模組80載入選定之圖形資料、地理環境和氣象數據資料，並匯入底圖進行量體建模，以獲得gbXML(Green Building Extensible Markup Language)建築模擬格式，提供給該效能分析模組40進行後續建築性能相關分析。
然而本發明還具備可調適的能力，基於參數設變引擎的立面建模，該建模模組20、該參數編程模組30以及與該效能分析模組40皆可以是一種建築設計應用軟體，例如分別採用Autodesk公司的Revit軟體作為BIM工具、Ecotect軟體作為BPA工具，以及以Dynamo軟體作為Revit的視覺化編程平台，且Ecotect是與Revit整合的BPA工具，具備了對建築師與設計師友善使用的介面，進行基於BIM的各項建築性能化分析，以指導設計專案進行優化。由於該參數編程模組30以Dynamo作為Revit的視覺化編程平台，因此該參數編程模組30可根據「節點(Node)」相互串接來取代程式碼撰寫，讓使用者可依照需求去串接所需的設計專案參數腳本，例如以建構基於光環境性能仿真分析為例，以Revit建模並以Dynamo協作編程控制Revit模型進行調適立面窗的開窗率或是改變遮陽板葉片的角度等等的輸入參數，通過Revit軟體構建的基礎模型並匯出gbXML建築模擬格式到Ecotect軟體，進行作業面照度分析，取得作業面的仿真照度值Y lux。然而並不限定於光環境性能仿真分析，還可進行熱輻射、空氣與對流、空調耗能、音效設計、通風環境等等性能仿真分析，取得仿真聲音值、仿真溫度值、仿真濕度值 或仿真風速值等的仿真值數據。將調變的輸入參數如立面窗的開窗率匯入該實構築模組。取得仿真值數據後，將仿真值數據匯入該類神經網路學習模組60。
該實構築模組50接收到調變的輸入參數，進行可調適建築立面實構築與作業面照度實測，例如將立面窗的開口率數值X%導入該實構築單元51，進行實構築的可調適的建築立面，並以該感測單元52如照度器得到作業面照度值Y’lux。然而並不限定於此，該感測單元52還可為溫度感測器、聲音感測器、濕度感測器、風速感測器或其組合，以取得實測聲音值、實測溫度值、實測濕度值或實測風速值等至少其中之一的實測值數據。取得實測值數據後，匯入該類神經網路學習模組60。
習知類神經學習概分為監督式學習、非監督式學習與強化學習三大類，本發明選擇監督式學習的倒傳遞類神經網路(BPN)作為學習演算法，也就是一個基本的類神經網路，資料從輸入到輸出，分成四個處理的部分，包括：(1)輸入(2)總合函數，有時必需加入活化函數(activation function)使得總合函數作用時更靈敏；(3)轉移函數與(4)輸出，當它的輸出值與期盼值進行估算(cost)、計算誤差(error)，並且根據誤差值進而調整權重(ω n)。從類神經網路開始修正，一直到誤差能夠低於某個設定的門檻值的過程稱之為學習、訓練或者是調適。簡言之，監督式學習以歸納作為推論藉著不斷修正網路中的傳遞權重，以符合期待值，在訓練過程中，權重的調整降低網路輸出值與目標輸出值之間的差距，直到差距小於一定的“臨界值”才告停止。
因此，該類神經網路學習模組60會接收到該效能分析模組40 的仿真值數據以及該實構築模組50的實測值數據。此時該類神經網路學習模組60蒐集仿真值數據Y lux集合作為輸入值，該實構築模組50的實測值數據Y’lux集合作為期盼值，以監督式學習的多層的倒傳遞網路(BPN)作為學習演算法，進行類神經網路監督式學習訓練，使其具備預測能力，並從Y lux(仿真值)預測到Y’lux(實測值)的近似值Y”lux(預測值)。
該比對模組70以Y”lux(預測值)作為設定目標的比對條件，比對預測值數據與仿真值數據，得到一最適化方案。
該處理模組11進一步根據最適化方案的參數設定，進行腳本導向的自動控制，驅動實構築的可調適立面元件，將腳本執行至營運端。
由上述可知，本發明以可調適的機制，因應外部環境變化，並透過系統內的監督式的類神經網路學習模組獲得預測能力，以”預測值”取代建築性能分析的”仿真值”，來判斷是否達到設定目標，還可執行實體模型，將設計端導向至營運端，縮小設計階段至營運階段之間性能數值之落差，進而降低營建與營運的損耗。由於其”預測值”比”仿真值”更接近實測性能，不僅減少仿真的性能數值和實質環境性能的實測數值之間的差距，還可增進綠建築效能模擬分析系統的預測效度。
請參考圖1與圖2，圖2為本發明之運用類神經網路學習之綠建築效能模擬分析系統運作方法流程圖。本發明之運用類神經網路學習之綠建築效能模擬分析系統的運作方法，其步驟包含：A.建模：以一參數編程模組30作為視覺化編程平台調變一輸入參數，導入一建模模組20建立一量體模型，匯出gbXML(Green Building Extensible Markup Language)建築模擬格式檔；B.性能仿真分析：gbXML(Green Building Extensible Markup Language)建築模擬格式檔上傳至一效能分析模組40產生一可視化分析以及一仿真值；C.實構築與實測：將該輸入參數匯入一實構築模組50進行可調適的建築立面以得到一實測值；D.搜集數據進行類神經網路學習訓練：搜集該仿真值數據以及該實測值數據作為範例資料，匯入一類神經網路學習模組60以多層倒傳遞網路學習進行訓練獲得預測能力，產生一預測值；E.設定目標獲得一最適化方案：將該預測值與該仿真值匯入一比對模組70，以該預測值作為設定目標的比對條件，獲得一最適化方案；以及F.進行腳本導向的自動控制：根據最適化方案的參數設定產生實體模型。
其中步驟C之該實構築模組50包括一實構築單元51與一感測單元52，該感測單元52可為照度器、溫度感測器、濕度感測器、聲音感測器以及風速感測器至少其中之一，但不限定於此。
其中步驟B之該可視化分析為氣象站的典型氣象年(TMY)天氣資料、風環境分析、光環境分析、用電密度(EUI)、建築生命週期耗能及成本計算、能源回收/節能潛力、平均碳排放、每月空調負荷以及尖峰用電需求等等。
由上述可知，在建構基於光環境性能仿真的可調適性建築立面為例，將上述步驟分為兩階段。在第一階段時，主要為數據蒐集、學習演算以及獲得預測能力，因此進行步驟A~D。以Revit軟體建立量體模型，並以Dynamo軟體協作編程控制Revit模型進行調適立面窗的開窗率X%，匯出gbXML建築模擬格式檔至Ecotect軟體進行性能仿真分析產生光環境的可視化分析，並匯出文字檔(EXCEL檔)，取得不同時間點的仿真照度值Y lux。將立面窗的開窗率X%匯入實構築模組以控制實構築的可調適性的建築立 面，並以照度計實測作業面得不同時間點照度值Y’lux。
搜集上述仿真值數據以及實測值數據作為範例資料，匯入類神經網路學習模組如Neursolutio軟體，以多層的倒傳遞網路作為學習演算法，從Y lux(仿真值)預測到Y’lux(實測值)的近似值Y”lux(預測值)，並從範例資料中挑選出”訓練集”以及”測試集”，分別定義”訓練集”行列中的”輸入值”與”期盼值”、交叉驗證資料集百分比以及轉移函數，進行”訓練集”的學習，學習後獲得預測能力，並以範例資料中的”測試集”驗證獲得預測值，其預測值都遠較仿真值更接近實測值。
在第二階段主要為根據預測，找尋最適化方案，進行腳本導向的自動控制，因此進行步驟E~F。具備預測能力後，將仿真值與預測值匯入比對模組，以預測值作為設定目標的比對條件，找尋最適化方案，得到最適化方案後，進行腳本導向的自動控制，根據最適化方案的參數設定驅動實構築的調適立面元件建立實體模型，將最適化方案的腳本執行至營運端。
並由上述運作方法可知，本發明協助設計者將設計端串接至營運端，減少仿真的性能數據和根據最適化的方案所建造的實質環境之間所存在的性能數值的差距，提高了系統的預測效度，進而降低營建與營運的損耗。

Claims (11)

  1. 一種運用類神經網路學習之綠建築效能模擬分析系統，包含：一輸入裝置，設置有一處理模組；一建模模組，與該處理模組相連接，產生一量體模型；一參數編程模組，與該建築模組相連接，用以進行編碼及調變一輸入參數；一效能分析模組，與該處理模組以及該建模模組相連接，用以產生一仿真值以及一可視化分析；一實構築模組，與該處理模組以及該效能分析模組相連接，包括一實構築單元與一感測單元，用以產生一實測值一類神經網路學習模組，與該效能分析模組以及該實構築模組相連接，用以產生一預測值；以及一比對模組，與該效能分析模組以及該類神經網路學習模組相連接，用以比對該預測值與該仿真值，得到一最適化方案。
  2. 如請求項1所述之運用類神經網路學習之綠建築效能模擬分析系統，更包含一資料庫模組，與該建模模組無線或有線相連接，其中該資料庫模組包含一氣象數據資料庫以及一地理環境資料庫。
  3. 如請求項2所述之運用類神經網路學習之綠建築效能模擬分析系統，其中該氣象數據資料庫包括一真實氣象站以及一虛 擬氣象站的氣象數據資料，該地理環境資料庫係包含地形、道路和建築空間的數據化及圖像化資訊。
  4. 如請求項1所述之運用類神經網路學習之綠建築效能模擬分析系統，其中該可視化分析為氣象站的典型氣象年(TMY)天氣資料、風環境分析、光環境分析、用電密度(EUI)、建築生命週期耗能及成本計算、能源回收/節能潛力、平均碳排放、每月空調負荷以及尖峰用電需求。
  5. 如請求項1所述之運用類神經網路學習之綠建築效能模擬分析系統，其中該感測單元為照度器、溫度感測器、濕度感測器、聲音感測器以及風速感測器至少其中之一。
  6. 如請求項1所述之運用類神經網路學習之綠建築效能模擬分析系統，其中該輸入裝置為個人電腦、平板電腦或智慧型手機。
  7. 如請求項1所述之運用類神經網路學習之綠建築效能模擬分析系統，更可包含一輸出模組，該輸出模組與該處理模組相連接。
  8. 一種運用類神經網路學習之綠建築效能模擬分析系統的運作方法，其步驟包含：A.建模：以一參數編程模組作為視覺化編程平台調變一輸入參數，導入一建模模組建立一量體模型，匯出gbXML(Green Building Extensible Markup Language)建築模擬格式檔；B.性能仿真分析：gbXML(Green Building Extensible Markup Language) 建築模擬格式檔上傳至一效能分析模組產生一可視化分析以及一仿真值；C.實構築與實測：將該輸入參數匯入一實構築模組進行可調適的建築立面以得到一實測值；D.搜集數據進行類神經網路學習訓練：搜集該仿真值數據以及該實測值數據作為範例資料，匯入一類神經網路學習模組以多層倒傳遞網路學習進行訓練獲得預測能力，產生一預測值；E.設定目標獲得一最適化方案：將該預測值與該仿真值匯入一比對模組，以該預測值作為設定目標的比對條件，獲得一最適化方案；以及F.進行腳本導向的自動控制：根據最適化方案的參數設定產生一實體模型。
  9. 如請求項8所述之運用類神經網路學習之綠建築效能模擬分析系統的運作方法，其中步驟C之該實構築模組包括一實構築單元與一感測單元。
  10. 如請求項9所述之運用類神經網路學習之綠建築效能模擬分析系統的運作方法，其中該感測單元為照度器、溫度感測器、濕度感測器、聲音感測器以及風速感測器至少其中之一。
  11. 如請求項8所述之運用類神經網路學習之綠建築效能模擬分析系統的運作方法，其中該可視化分析為氣象站的典型氣象年天氣資料、風環境分析、光環境分析、用電密度、建築 生命週期耗能及成本計算、能源回收/節能潛力、平均碳排放、每月空調負荷以及尖峰用電需求。
TW106119345A 2017-06-09 2017-06-09 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法 TWI636405B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW106119345A TWI636405B (zh) 2017-06-09 2017-06-09 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106119345A TWI636405B (zh) 2017-06-09 2017-06-09 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法

Publications (2)

Publication Number Publication Date
TWI636405B TWI636405B (zh) 2018-09-21
TW201903653A true TW201903653A (zh) 2019-01-16

Family

ID=64453084

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106119345A TWI636405B (zh) 2017-06-09 2017-06-09 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法

Country Status (1)

Country Link
TW (1) TWI636405B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI775521B (zh) * 2021-07-09 2022-08-21 國立勤益科技大學 氣象監測系統的模擬測試方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI727557B (zh) * 2019-12-20 2021-05-11 逢甲大學 應用生質能源的淨零耗能綠建築模擬系統及其運作方法
CN113063494A (zh) * 2020-12-24 2021-07-02 泰州可以信息科技有限公司 基于径向基神经网络的目标定位平台及方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102324075A (zh) * 2011-10-29 2012-01-18 大连理工大学 一种基于WebGIS的绿色建筑智能化节能评估管理系统
CN105446139A (zh) * 2015-12-18 2016-03-30 华南理工大学 基于bp神经网络的建筑能耗分析方法与系统
CN106447207A (zh) * 2016-10-09 2017-02-22 沈阳建筑大学 一种基于大数据分析的绿色建筑预评价系统
TWM540341U (zh) * 2016-12-01 2017-04-21 逢甲大學 綠建築效能模擬分析系統

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI775521B (zh) * 2021-07-09 2022-08-21 國立勤益科技大學 氣象監測系統的模擬測試方法

Also Published As

Publication number Publication date
TWI636405B (zh) 2018-09-21

Similar Documents

Publication Publication Date Title
Hong et al. Ten questions on urban building energy modeling
Ferrando et al. Urban building energy modeling (UBEM) tools: A state-of-the-art review of bottom-up physics-based approaches
TWI672665B (zh) 綠建築效能模擬分析系統及其最適化決策方法
Pan et al. Building energy simulation and its application for building performance optimization: A review of methods, tools, and case studies
Mauree et al. Multi-scale modelling to evaluate building energy consumption at the neighbourhood scale
TWM548837U (zh) 運用類神經網路學習之綠建築效能模擬分析系統
Yan et al. Optimization and prediction in the early design stage of office buildings using genetic and XGBoost algorithms
CN111259481B (zh) 一种整合空间信息的建筑室内光环境设计评价方法及装置
Huang et al. Accelerated environmental performance-driven urban design with generative adversarial network
Wang et al. From simulation to data-driven approach: A framework of integrating urban morphology to low-energy urban design
TWI636405B (zh) 運用類神經網路學習之綠建築效能模擬分析系統及其運作方法
Chen et al. Combining CityGML files and data-driven models for microclimate simulations in a tropical city
CN114693064B (zh) 一种建筑群方案生成性能评价方法
TWM540341U (zh) 綠建築效能模擬分析系統
Veisi et al. Analysis of solar radiation towards optimization and location of the urban blocks in the neighborhood units
Xu et al. Building energy consumption optimization method based on convolutional neural network and BIM
Ray et al. The influencing factors on efficacy enhancement of HVAC systems–A review
Tehrani et al. Predicting solar radiation in the urban area: A data-driven analysis for sustainable city planning using artificial neural networking
Jie et al. Impact of urban wind environment on urban building energy: A review of mechanisms and modeling
Wang et al. Application of machine learning-based BIM in green public building design
Chen et al. Optimization and prediction of energy consumption, light and thermal comfort in teaching building atriums using NSGA-II and machine learning
Gabriel et al. Voxel based method for real-time calculation of urban shading studies
Xu Multi-objective intelligent algorithm model design for housing environment optimization
Vartholomaios et al. Estimating the influence of building and urban form on the thermal loads of urban dwellings in the Mediterranean climate using machine learning
Ceranic et al. Shape grammar and kinetic façade shading systems: a novel approach to climate adaptive building design with a real time performance evaluation.