A decision support model for the early design phase of residential buildings based on space conditioning energy prediction and optimization with embodied energy
Konut binalarının erken tasarım aşaması için mekan iklimlendirme enerjisi tahmini ve gömülü enerji ile optimizasyonuna dayalı bir karar destek modeli
- Tez No: 975785
- Danışmanlar: PROF. DR. FETHİYE ECEM EDİS
- Tez Türü: Doktora
- Konular: Enerji, Mimarlık, Energy, Architecture
- Anahtar Kelimeler: Cephe tasarımı, Enerji etkin yapı, Performans tahmini, Çok kriterli optimizasyon, Facade design, Energy efficient building, Performance estimation, Multi criteria optimization
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Teknik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Mimarlık Ana Bilim Dalı
- Bilim Dalı: Yapı Bilimleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bina sektöründe, enerji tüketimi değerlendirmesinin tasarım süreçlerine yeteri kadar sık ve etkin dâhil edilememesi, inşa edilen binaların performansının ulaşılabilecekleri potansiyel seviyelerin altında kalmasına neden olmaktadır. Bina ile ilgili en etkili kararların alındığı zaman olarak kabul edilen erken tasarım dönemine yönelik stratejilerin geliştirilmesi, bu konuda etkili çözümler oluşturulmasına olanak tanıyacaktır. Bu doğrultuda bu çalışmada, iklimsel faktörleri, mekan iklimlendirme enerjisini ve cephede kullanılan malzemelerin gömülü enerjisini hesaba katarak enerji etkin bina tasarımının geliştirilmesi için, tasarımcıya erken tasarım sürecinde destek vermek amaçlanmıştır. Bu amaçla tez çalışmasında, tasarımcının kullanımı için bir model geliştirilmesi ve bu kapsamda, tasarımcıya değerlendirmesi için kararlarının sonuçlarına ve kararlarına yakın tasarımlar arasından optimum sonuçları veren alternatiflere dair bilgi sunulması hedeflenmiştir. Buna göre geliştirilen ve Bina Enerji Performans Tahmin ve Optimizasyon Modeli (BEP-POM) olarak adlandırılan modelde, mekan iklimlendirme enerjisi tüketimini belirlemek için makine öğrenmesinin kullanımı, tasarımcıya bilgisayarlı benzetim çalışması gerçekleştirmeden, hızlı ve düşük maliyetle sonuçları sunabilmesi ve erken tasarım sürecindeki verimli kullanım potansiyeli nedeniyle tercih edilmiştir. Ayrıca, çok amaçlı optimizasyon, cephe sisteminin gömülü enerjisi de dikkate alındığında optimum sonuçların elde edilmesi için modele dahil edilmiştir. BEP-POM'un yapılandırılması ve geliştirilmesinde ilk olarak bina tasarım süreci, binaların enerji performansı, makine öğrenimi modellemesi ve çok amaçlı optimizasyon alanlarında yazın taraması yapılmıştır. Bu alanların analizlerine dayanarak tasarım destek modeli üç ana adımı izleyerek geliştirilmiştir. İlk ana adım olan 'Kavramsal Model Geliştirme' adımında, tasarımcının karar alma süreçleri ve bunların çıktıları dikkate alınarak tahmin ve optimizasyon sonuçlarının üretilmesi için bir iş akışı yapılandırılmıştır. İkinci ana adım olan 'Modelin Adımlarının Geliştirilmesi'nde, BEP-POM'u oluşturan her bir modülün süreçleri, performansı en çok etkileyen faktörlerle yapılandırılmış ve modelleyen kişinin kendi durumu için takip edilebileceği çıktıların elde edilmesi hedeflenmiştir. Bu amaçla, makine öğrenimi modeli tarafından tahmin edilecek mekan iklimlendirme enerjisi çıktılarının belirlenmesi için bilgisayarlı benzetimin kullanılması ve gömülü enerji çıktısı için Çevresel Ürün Beyanlarında verilen etki verilerinden yararlanan hesaplama yönteminin kullanılması önerilmiştir. Üçüncü ana adım olan 'Antalya için BEP-POM Çalışma Modeli Geliştirilmesi' adımında, modelin adımlarının geliştirilmesi adımında kararlaştırılan adımlar takip edilerek Antalya'daki tipik konut yapıları üzerine bir çalışma yürütülmüştür. Makine öğrenimi modelinin eğitilmesinde kullanılacak veri kümesinin üretimi için parametrik modellemeye olanak tanıyan bir benzetim aracından yararlanılmıştır. Bu araçla nihai veri üretimine geçmeden önce, enerji tüketimini hesaplarken kullanılacak modelin onanması için standartlara dayanan bir doğrulama çalışması yapılmış ve devamında seçilen değişkenler için enerji benzetimleri yapılmıştır. Çalışma modelinde tasarımcıdan erken tasarım aşamasında bilgi talep edilebilmesi için, erken tasarım aşamasında kararlaştırılan konulardan olan kat sayısı, plan tipi, saydamlık oranı ve yönlenme modelin girdi değişkenleri olarak belirlenmiştir. Ayrıca, detaylı tasarım aşamasında kararlaştırılan değişkenler olarak, tasarımcıya basit seçenekler sunmak için üç kategorik değer aralığında düzenlenen dış duvarın ısıl geçirgenliği ve cam tipi de girdi değişkenleri olarak belirlenmiştir. Bu sayede tasarımcı, detaylı tasarım aşamasında kararlaştırılan malzemeyle ilgili özelliklerin etkilerini de değerlendirebilmektedir. Bina enerji tüketimini tahmin etmek için makine öğrenimi modellemesine ilişkin gerçekleştirilen yazın taraması dikkate alındığında, analiz edilen çalışmalarda sıklıkla kullanılan makine öğrenmesi algoritmaları arasından istikrarlı olarak yeterli doğrulukta sonuçlar elde edilenler, Antalya için çalışma modeli oluşturulması kapsamında karşılaştırılmak üzere belirlenmiştir. Bu bağlamda, enerji bilgisayarlı benzetim çıktılarını kullanan makine öğrenimi modellerinin eğitiminde, Yapay Sinir Ağları (Artificial Neural Networks), Gradyan Artırma Karar Ağacı (Gradient Boosting Decision Tree), Destek Vektör Regresyonu (Support Vector Regression) ve Aşırı Gradyan Artırma (Extreme Gradient Boosting) olmak üzere dört farklı algoritma test edilmiştir. Mekan iklimlendirme enerjisi tüketimi ve cephe sistemi malzemelerinin gömülü enerjisi açısından optimum tasarım alternatiflerini bulmaya yönelik olarak, belirli bir erken tasarım aşaması senaryosunun (%20 saydamlık oranına sahip, kısa kenarı kuzeye bakan 4 katlı binalar için) tahmin ve hesaplama sonuçları kullanılarak üç farklı çok amaçlı optimizasyon yöntemi; Baskın Olmayan Sıralama Genetik Algoritması (Non-dominated Sorting Genetic Algorithm [NSGA]), Kısıtlı çok amaçlı optimizasyon (Constrained multi-objective optimization [C-TAEA]) ve Referans Vektörü Kılavuzlu Evrimsel Algoritma (Reference Vector Guided Evolutionary Algorithm [RVEA]) test edilmiştir. Makine öğrenimi modelleri için, test kümelerine dayalı belirleme katsayısı (coefficient of determination [R2]), Kök Ortalama Karesel Hata (Root Mean Square Error [RMSE]) ve Ortalama Mutlak Hata (Mean Absolute Error [MAE]) sonuçları ve modelin eğitimi sırasında görmediği tekil veriler için tahmin hatası; çok amaçlı optimizasyon modelleri için ise yakınsama miktarı, yürütme süresi ve optimum tasarım şemalarının çeşitliliği, oluşturulmuş modellerin performans değerlendirmesinde dikkate alınmıştır. Bu değerlendirmeler, erken tasarım aşamasını dikkate alarak seçilen girdi değişkenlerinin kullanıldığı modellerdeki tahmin sonuçlarında yüksek doğruluk elde edilebileceğini göstermiştir. Ayrıca, kullanılan makine öğrenmesi algoritmasından bağımsız olarak, modelin eğitimi için kullanılan girdi kümesine parametrik olmayan verilerin eklenmesinin, eğitim sırasında görülmeyen tekil veriler için tahmin performansını iyileştirdiği gözlemlenmiştir. Yapay Sinir Ağları algoritması, mekan iklimlendirme enerjisinin tahmininde doğruluğu yüksek seviyede sonuçlar vermiş ve BEP-POM tahmin modülünde kullanılmak üzere seçilmiştir.“Isıtma ve soğutma yükü ile gömülü enerjiyi azaltmak”olarak belirlenmiş olan üç hedefe odaklanan optimizasyon modülünde kullanılmak üzere ise, Baskın Olmayan Sıralama Genetik Algoritması-III yöntemi seçilmiştir. Sonuç olarak, tasarımcılar, bu tez kapsamında önerilen süreçlerle oluşturulan çalışma modellerini kullanarak erken tasarım aşamasında bina enerji performansına dair bilinçli kararlar alabileceklerdir. Gelecekteki çalışmalarda, BEP-POM modelinde tanımlanan süreç değişkenlerinin farklı değerlerinin/seçeneklerinin modele dahil edilerek üretilmesi, çalışma modellerinin daha geniş kapsamlı kullanımına olanak sağlayacaktır. Bu farklı süreç değişkenlerinin arasında, konum, iklim bölgesi ve kentsel faktörler gibi girdi değişkenleri ile zaman içinde farklı veri özellikleri için geliştirilmeye devam eden farklı makine öğrenmesi algoritmaları, çok amaçlı optimizasyon yöntemleri, örneklem yöntemleri, özellik mühendisliği/analizi yöntemleri gibi yöntemler sayılabilir.
Özet (Çeviri)
In the building sector, the fact that energy consumption evaluation is not included frequently enough in the design phase causes the performance of the buildings to remain below the potential levels that can be achieved. Developing strategies for the early design phase, which is considered to be the time when the most effective decisions regarding the building can be made, will provide an effective solution to this issue. In this study, it is aimed to support the designer in the early design phase in order to develop energy-efficient building design by taking into account climatic factors, space-conditioning energy, and the embodied energy of the materials used in the facade. For this purpose, it is aimed to develop a model considering the designer's use, which provides information to the designer about the results of his/her decisions for evaluation, and the alternatives that give optimum results among the designs close to his/her decisions. In the developed model called Building Energy Performance Prediction and Optimization Model (BEP-POM), machine learning was preferred for predicting space-conditioning energy consumption due to its potential to give the designer results quickly, at low cost, and in the early design phase without performing a simulation study. In addition, multi-objective optimization was included in the model to obtain optimum results, considering embodied energy as well. In structuring and developing the BEP-POM, a literature review was conducted first in the areas of building design process, machine learning modeling, and multi-objective optimization. Based on the analyses of these areas, the design support model was developed following three main steps. In the first main step, 'Conceptual Model Development', a workflow was structured for the generation of prediction and optimization results considering the designer's decision-making processes and their outputs, which would be the input information to the model. In the development of the model stages, as the second main step, the processes of each module forming BEP-POM were structured with the factors that affect the performance most, and it was aimed to obtain outputs for the modeller that can be followed for her/his case. To this end, for determining space conditioning energy outputs to be predicted by the machine learning model, the use of simulation modeling, and for the embodied energy output, the use of the calculation method utilizing impact data given in the Environmental Product Declarations was proposed. In the third main step, 'Development of a BEP-POM Working Model for Antalya', a study on typical residential buildings in Antalya was conducted by following the steps decided in the second step, development of the model stages. A simulation tool that allows parametric modeling was used to generate the dataset to be used in training the machine learning model. Before proceeding with the final data generation using this tool, a standards-based verification study was conducted to validate the model to be used in calculating energy consumption, followed by energy simulations for selected variables. In the BEP-POM model, to be able to request information from the designer in the early design phase, the number of floors, plan type, window-to-wall ratio, and orientation, all of which are decided in the early design phase, were decided as input variables. Additionally, as variables decided during the detailed design phase, the thermal transmittance of the exterior wall, organized in three categorical value ranges for providing simple options to the designer, and the glazing type, were also determined as input variables in order to let the designer assess the effects of material-related properties decided in the detailed design phase. Considering the literature review on machine learning modeling for predicting building energy consumption, frequently used algorithms with acceptable prediction performance results in the studies reviewed were selected for comparison. In this respect, four algorithms, namely Artificial Neural Networks, Gradient Boosting Decision Tree, Support Vector Regression, and Extreme Gradient Boosting, were tested by training machine learning models that use the outputs of energy simulations. Regarding finding the optimum design alternatives in terms of space conditioning energy consumption and embodied energy of the facade system materials, three different multi-objective optimization methods, namely Non-dominated Sorting Genetic Algorithm, Constrained multi-objective optimization and Reference Vector Guided Evolutionary Algorithm were tested using the prediction and calculation results of a certain early design phase scenario (i.e., 4-storey buildings with their short side facing north, and a window-to-wall ratio of 20%). For the machine learning models, coefficient of determination (R2), Root Mean Square Error (RMSE), and Mean Absolute Error (MAE) metric results, which were based on test sets, and prediction error for the data that the model did not see during training; for the multi-objective optimization models, the convergence, execution time, and the variety of optimum design schemes were taken into account in the performance evaluation. These evaluations presented that, with the selected input variables by considering the early design phase, high accuracy in prediction results can be obtained. Additionally, it was observed that, regardless of the machine learning algorithm used, the addition of nonparametric data to the input set used for training the model improves the prediction performance for the unseen data. The Artificial Neural Networks algorithm resulted in an accurate prediction of the space conditioning energy and was selected for use in the prediction module of BEP-POM. The Non-Dominated Sorting Genetic Algorithm-III was selected for use in the optimization module focused on three objectives, which were reducing heating load, cooling load, and embodied energy. As a result, designers will be able to make informed decisions during the early design phase using the working models generated with the processes proposed in this thesis. In the future, including different values/options of process variables in the modeling scope will make the model more comprehensive. Among these different process variables, input variables such as location, climate zone, and urban factors, and methods such as new machine learning algorithms, multi-objective optimization methods, sampling methods, and feature engineering/analysis methods that continue to be developed for different data features over time, can be counted.
Benzer Tezler
- Konut kooperatiflerinde konut üretim sürecinin değerlendirilmesi
Evaluation of the production process in housing cooperatives
HANDAN DÜLGER
- Bilgisayar destekli enerji yönetim sistemleri ve kontrol merkezleri
Computer based energy management system and control centres
METİN İZGİ
Yüksek Lisans
Türkçe
1992
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiPROF. DR. NESRİN TARKAN
- Esnek imalat sistemleri ve alternatif rotaları göz önünde bulundurarak esnek ortamlar için üretim hücrelerinin dizaynı
Flexible manufacturing systems and design of manufacturing cells for flexible environmental
GİRAY İLKER ÇELİK
Yüksek Lisans
Türkçe
1994
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. GÖNÜL YENERSOY
- Hücresel imalatın başlangıç aşamaları için uzman sistem yaklaşımı
An Expert systems approach to the early stages of cellular manufacturing systems design
UFUK CEBECİ
- En uygun hayat sigortası poliçesi seçimini sağlayan bir karar modeli
A Decision model for selecting the optimum insurance policy
H.BÜLENT CERİT
Yüksek Lisans
Türkçe
1995
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiPROF.DR. RAMAZAN EVREN