پیش ‏بینی میزان انرژی مصرفی در ساختمان‏ های با زیرساخت آموزشی موجود با استفاده از شبکه عصبی مصنوعی و اثرات آن بر کاهش دی ‏اکسید‏کربن (مطالعه موردی مدارس مشهد)

یکی از مصارف انرژی در بخش‏ ساختمان ‏های در حال بهره‏ برداری و بخصوص ساختمان‏ های با زیرساخت های آموزشی مانند مدارس می ‏باشد. از جمله روش های موثرِ کاهش مصرف انرژی در این ساختمان ‏ها، قبل از ساخت می ‏باشد. لیکن بسیاری از ساختمان ‏ها در حال حاضر ساخته ‏شده و می ‏بایست راهکاری برای کاهش مصرف انرژی در این ساختمان‏ ها پیدا‏نمود. از جمله راهکارهای مهم، پیش ‏بینی میزان انرژی مصرفی در این ساختمان‏ ها است. دراینصورت می‏ توان انرژی مصرفی را قبل و بعداز بعضی تغییرات در ساختمان مورد ارزیابی قرارداد. در این مقاله، به موضوع پیش ‏بینی انرژی در ساختمان‏ های وضع‏ موجود در مدارس که از زیرساخت‌های مهم کشور هستند پرداخته ‏شده ‏است. بدین منظور ابتدا تعدادی از مشخصات مهم فیزیکیِ ساختمان و میزان مصرف انرژی آن براساس قبوض مصرفی، بصورت میدانی جمع ‏آوری شده ‏است. برداشت اطلاعات میدانی از ساختمان‏ های وضع موجود مدارس جهت ارائه مدل پیش ‏بین انرژی تجربه نو در این زمینه بوده و در پژوهش ها کمتر به آن پرداخته شده است. مدلسازی با استفاده از شبکه عصبی مصنوعی انجام شده و نتایج، یک ضریب همبستگی بسیار خوب 0.992 را برای اعتبار سنجی مدل نشان می دهد. در انتها نیز اثرات کاهش دی ‏اکسید‏کربن با توجه به میزان صرفه‏ جویی در انرژی مصرفی مورد بحث قرارگرفته ‏است.

Prediction of the Amount of Energy Consumed in Existing Educational Buildings Using Artificial Neural Networks and Its Effects on Reducing Carbon Dioxide (Case Study of Mashhad Schools)

One of the major uses of energy is in residential, commercial, educational and other buildings. One of the effective ways to reduce energy consumption in these buildings is before construction. But many buildings are already under construction and a solution must be found to reduce energy consumption in these buildings. One of the important solutions is to predict the amount of energy in these buildings. In this case, the energy consumption can be evaluated before and after some changes in the building. This article addresses the issue of energy prediction in existing school buildings. For this purpose, a number of important physical characteristics of the building and its energy consumption based on consumption bills have been collected in the field. Then an artificial neural network is used for modeling. Using the results of the model, the energy of buildings in schools can be predicted. Finally, the effects of reducing carbon dioxide with respect to energy savings are discussed.