❖ 第一作者: Manav Mahan Singh, Technical University of Munich, Federal Republic of Germany
❖ 通讯作者: Manav Mahan Singh, Technical University of Munich, Federal Republic of Germany
❖ 作者邮箱: manavmahan.singh@tum.de
摘要
机器学习（ML）通过在早期阶段快速预测建筑性能来支持节能设计。然而，现有的ML方法无法轻松学习几何表示及其与预测能量的技术规范的相互作用。人工神经网络（ANN）的常见方法使用数值参数来表示建筑物几何形状或基于组件的ML（CBML）来训练可传输的ML组件。然而，这两种方法对于复杂的几何形状都有很高的泛化误差。我们使用卷积神经网络（CNN）来学习建筑物的几何表示，并使用自动编码器来优化训练过程。我们测试了现有的ANN和CBML方法，并针对不同大小的训练数据集提出了CNN方法。对于最大的训练数据集，ANN，CBML和CNN的泛化误差（均方根误差）分别为1.35，1.60和0.77 kWh/a.m2。虽然CBML在小数据集上的预测误差较低，但CNN更适合大数据集。此外，CNN通常具有比ANN更好的预测准确性，并且在编码数据上训练得更快。由于CNN比ANN和CBML方法更好地捕捉了建筑几何形状对能源预测的影响，因此它是早期能源设计的一个有吸引力的选择。
详情可点击下方“阅读原文”
