基于ANN的绿色办公建筑HVAC系统运行能耗预测

办公建筑中暖通空调系统(HVAC系统)的运行能耗占总能耗比例较高。随着绿色建筑的大力推广,准确预测绿色办公建筑HVAC系统能耗是建筑运行优化的关键。研究以天津市某绿色办公建筑为研究对象,根据绿色办公建筑G中的HVAC系统——地源热泵系统和空调通风系统能耗的实际监测数据,建立了基于人工神经网络的能耗预测模型。研究结果表明,建立的分类多层感知器神经网络预测模型预测精度最好,仅基于气象参数及时间能够精确的预测建筑HVAC系统的小时能耗,为我国绿色办公建筑的设计和运行优化提供科学支持。     

基于神经网络的建筑结构安全评估模型研究

为实现建筑结构安全的快速评估,提出基于神经网络的建筑结构安全评估方法。基于《民用建筑可靠性鉴定标准》的调查与检测要求并考虑数据易获取性,选择45个涵盖承载力、耐久性、历史记录和环境情况等变量作为输入参数,以《民用建筑可靠性鉴定标准》中的安全等级作为输出参数,采用深度置信网络学习输入参数与输出参数间的非线性映射关系。对输入参数的选择、样本缺值问题、小样本问题和神经网络评估的可靠性进行探讨和验证。结果表明:在无法准确判断输入参数与输出参数相关性的前提下,采用全部输入参数的评估模型具有更高的鲁棒性; 迷失森林算法相较其他常用的缺值插补算法有更好的插补性能; 采用变分自编码器扩充训练样本集能有效提高神经网络的泛化能力和分类精度; 对深度置信网络引入加权交叉熵损失函数加以改进可增加训练时对不安全类别的敏感性,牺牲少量不安全类别的查准率可以大幅提高其查全率; 基于神经网络的结构安全评估模型能较好地预测结构的安全等级,具有快速且大批量运算的优势,是实现大范围建筑群结构安全监测的有效手段。     

Comparing the linear and logarithm normalized artificial neural networks in inverse design of aircraft cabin environment

When the indoor environment is designed by genetic algorithm (GA) and computational fluid dynamics (CFD), the artificial neural network (ANN) plays a role of surrogate model of CFD to reduce the computational cost. To improve the performance of ANN, a self-updating logarithm normalized method was proposed to enhance the local prediction of ANN in the inverse design based on GA and ANN. An MD-82 aircraft cabin was used to test the performance of the proposed method, and different environmental parameters were chosen to be the objectives of the cabin environment. The success rate (SR) was used to evaluate the local prediction ability of ANN. Instead of linear normalized ANN, SR was found to be increased by 10.5% with the logarithm normalized ANN and the computational cost was reduced by 23.2% for the same quality of solution.     

造价估测方法的研究和BP神经网络模型的应用

比较分析了现行的造价估测模型的特点及其存在的问题,突出BP神经网络模型进行造价估测的理论优势,引入工程分类思想,以学校类建筑为例,建立了BP神经网络估测模型并进行了造价估测.     

基于BP神经网络的工程造价快速估算模型

快速、准确地进行工程造价估算对控制工程成本具有重要的现实意义。根据神经网络原理和对工程特征的分析,确定了6个工程特征类目作为神经网络的输入向量,提出了基于BP神经网络的工程造价快速估算模型,并选取已建住宅工程为估价实例。经验算,其精度可以满足实际工程投资估算和设计概算的需要。因此,用BP神经网络快速估算工程造价是行之有效的。     

建筑环境性能评估中几个重要问题的探讨

基于对国际上具有代表，眭的建筑环境性能评估系统（LEED，CASBEE，GBTool，BREEAM）的深入研究，提出对评估系统涉及的几个重要问题的一些看法。首先讨论了如何选择评估指标并进行分类以利于评估实践的推行，在此基础上，提出科学利用多种手段建立相应权重系统，最后，研究总结了服务于建筑师设计工作的评估系统应具有的特征。     

基于BAS-SCA-BP模型的高校建筑工程项目投资估算研究

针对标准BP神经网络建筑工程项目投资估算模型收敛速度慢、预测精度低的问题,提出融合改进天牛须和正余弦双重优化算法（BAS-SCA）优化BP神经网络的建筑工程项目投资估算模型。以某市高校建筑工程项目为研究对象,分析相关文献并结合显著性理论初步选择工程造价影响因子,利用粗糙集属性约简算法筛选出关键因素;基于此,通过构建基于BAS-SCA-BP的神经网络估算模型实现快速、准确的建筑工程投资估算。研究结果表明：基于BAS-SCA-BP的估算模型较标准BP神经网络估算模型的估算精度有了大幅提高,与其他智能算法改进的BP神经网络估算模型的性能相比较,该模型在稳定性和预测精度方面表现更佳。     

基于灰关联的PSO-BP神经网络的高层住宅造价估算

针对高层住宅工程造价管理的难点及传统造价估算方法存在的不足,采用灰关联分析与粒子群优化的 BP 神经网络相结合的方法,以高层住宅工程特征指标为网络的输入向量,达到快速、准确地估算高层住宅工程造价的目标。借助文献回顾法与灰关联分析法系统地确定工程特征指标体系并作为神经网络的输入向量;引入 PSO 算法优化 BP 网络的权值及阈值,解决网络收敛速度慢、易陷入局部极小值等缺点。并通过实例验证构建的模型,提高了前期决策阶段造价估算的精确度,实现了快速估算     

基于BP神经网络改进算法在地铁隧道施工中的沉降预测

为使地铁隧道在施工中沉降监测数据具有一定的预见性,分别采用了BP神经网络改进算法的预测模型、传统BP神经网络预模型以及基于时间序列的三次指数平滑法预测模型对地铁隧道施工中的沉降监测数据进行了预测。对其预测结果进行分析,得出了BP神经网络改进算法模型预测精度优于传统BP神经网络模型以及基于时间序列的三次指数平滑法模型预测精度的结论。     

Deep neural network with high‐order neuron for the prediction of foamed concrete strength

The article presents a deep neural network model for the prediction of the compressive strength of foamed concrete. A new, high‐order neuron was developed for the deep neural network model to improve the performance of the model. Moreover, the cross‐entropy cost function and rectified linear unit activation function were employed to enhance the performance of the model. The present model was then applied to predict the compressive strength of foamed concrete through a given data set, and the obtained results were compared with other machine learning methods including conventional artificial neural network (C‐ANN) and second‐order artificial neural network (SO‐ANN). To further validate the proposed model, a new data set from the laboratory and a given data set of high‐performance concrete were used to obtain a higher degree of confidence in the prediction. It is shown that the proposed model obtained a better prediction, compared to other methods. In contrast to C‐ANN and SO‐ANN, the proposed model can genuinely improve its performance when training a deep neural network model with multiple hidden layers. A sensitivity analysis was conducted to investigate the effects of the input variables on the compressive strength. The results indicated that the compressive strength of foamed concrete is greatly affected by density, followed by the water‐to‐cement and sand‐to‐cement ratios. By providing a reliable prediction tool, the proposed model can aid researchers and engineers in mixture design optimization of foamed concrete.     

基于FLS-SVM的地铁车站照明能耗预测

地铁车站由于其特殊环境,照明主要依靠人工照明,照明工作时间长、功耗大是其主要特点,因此照明系统节能存在较大空间。对照明能耗的预测与分析是进行照明节能改造与设计的前提和基础。模糊最小二乘支持向量机因其有着学习速度快、跟踪性能好、泛化能力强、精度高等优点被广泛应用于能耗预测领域。本文利用模糊最小二乘支持向量机建立能耗预测模型,并且采用MATLAB的LS-SVM工具箱对预测模型进行了仿真研究,最后通过与RBF神经网络能耗预测模型仿真对比试验表明了基于最小二乘支持向量机的能耗预测模型拟合度好、精度高,是照明能耗预测的有效方法。     

基于小波概率神经网络的单桩竖向承载力预测模型及应用研究

分析小波概率神经网络(WPNN)与数据融合技术在预测单桩竖向承载力中的应用原理,建立基于小波概率神经网络和数据融合技术的预测模型。根据长期的工程实测资料,利用高层建筑物静载试验数据对模型进行检验,并选取典型的样本进行预测值的误差分析。结果表明,预测的结果与静载试验数据吻合较好,从而证实了WPNN预测方法具有较好的可靠性和工程应用价值。     

一种面向大规模建筑群能耗预测的BP神经网络模型配置方法

针对大规模建筑群的能耗预测问题,提出了一种基于BP神经网络的模型配置方法。该方法将复杂的建筑能耗预测相关的影响因素、参数、算法与建筑能耗实际预测功能进行解耦分离,实现任意预测模型的可配置化创建,有效地降低了建筑能耗预测系统的开发和维护成本,使得大规模建筑群的能耗预测系统易于实现。目前,可配置化的建筑能耗预测系统已被应用于多栋建筑的能耗预测,有效地降低了能源浪费。     

Do LEED-certified buildings save energy? Yes, but…

We conducted a re-analysis of data supplied by the New Buildings Institute and the US Green Buildings Council on measured energy use data from 100 LEED-certified commercial and institutional buildings. These data were compared to the energy use of the general US commercial building stock. We also examined energy use by LEED certification level, and by energy-related credits achieved in the certification process. On average, LEED buildings used 18-39% less energy per floor area than their conventional counterparts. However, 28-35% of LEED buildings used more energy than their conventional counterparts. Further, the measured energy performance of LEED buildings had little correlation with certification level of the building, or the number of energy credits achieved by the building at design time. Therefore, at a societal level, green buildings can contribute substantial energy savings, but further work needs to be done to define green building rating schemes to ensure more consistent success at the individual building level. Note, these findings should be considered as preliminary, and the analyses should be repeated when longer data histories from a larger sample of green buildings are available.     

超高层建筑结构优化过程中的环境成本计算

近年来中国大陆掀起了超高层建筑的兴建热潮。超高层建筑体量巨大,其碳排放和能源消耗对环境有显著影响。在评估和优化超高层建筑的全生命周期环境成本时,提出了一个全新的全生命周期模型。新模型有两大特征：首先,同时考虑了建筑材料的空间分布与时间特征;其次,把单尺度生命周期概念拓展到多尺度生命周期概念,以从更多角度来研究碳排放情况。建立了一个基准超高层建筑模型来阐释对新模型的应用。根据初步研究结果,应用新方法可以选择出更优化的结构设计方法,以最大程度减少碳排放量。     

基于 SVR 的工程建设项目快速投资估算方法研究

在建设项目前期,如何快速而准确地估算工程项目的造价,对项目的投资决策具有很大的意义。针对传统造价估算 方法的不足之处,采用 SPSS 统计分析软件进行工程造价指标的相关性分析及指标体系选取,将之作为输入变量,使用真实 案例训练集样本训练 SVR 模型并进行仿真模拟预测。为了验证提出的 SVR 模型的有效性,引入 BP 人工神经网络来进行预 测结果的对比验证。结果表明,SVR 模型得到的预测值平均绝对百分比误差约为 5%,拟合优度 R2高达 0.97,远小于 BPNN 模型的预测误差 14%,即提出的 SVR 估算模型要比 BP 人工神经网络预测模型具有更良好的泛化能力,预测精度更高,因 此其在工程项目前期投资估算实践中具有一定的现实意义。     

基于神经网络的深基坑沉降预测模型比较

神经网络预测为深基坑预测提供了一种有效的路径。运用哪种模型较优,输入层、输出层、隐含层参数如何选取,对预测的结果都有一定的影响,本文结合实际轨道交通工程案例,以深基坑沉降监测数据为例,对常见的几种神经网络预测模型进行了对比分析,对几种模型的残差、均方根误差(RMSE)和绝对平均误差(MAE),收敛次数这几个方面进行对比,结果表明遗传算法神经网络对深基坑沉降监测数据预测较为有效,同时对模型参数的选取提出了建议。     

浅层地下水位预测的小波网络模型

针对浅层地下水位时间序列动态变化的非线性和复杂性 ,提出了基于小波分析与人工神经网络相结合的预测方法———小波网络模型。小波网络模型吸取了小波分析的多分辨功能和人工神经网络的非线性逼近能力。实例计算结果表明 ,建议模型不同预见期的拟合和检验精度很高。小波网络模型延长了预见期 ,提高了预报精度。     

基于神经网络的公共建筑应急疏散风险评估方法

公共建筑空间大、人员密集、水平疏散距离长,在应急情景下的疏散本身存在一定的风险,提出了一种基于深度神经网络(DNN)的应急疏散风险评估方法.给出了DNN预测模型的建立方法,并以某高校体育馆为案例,说明了模型数据获取、模型训练,及模型测试的整个评估过程.结果表明,相较于传统评估方法,该深度学习方法克服了主观性强、对以人为...     

基于BP神经网络的堆肥物料抗剪强度预测模型

针对目前传统方式采集堆肥物料抗剪强度数据过程中环境恶劣、数据采集困难、试验误差大等问题,提出一种基于BP神经网络的抗剪强度预测模型。通过现场试验得到堆肥物料抗剪强度和堆体高度、温度、含水率、密度等参数共39组有效数据,以其中35组作为训练样本,其余4组用于评价模型的预测性能。结果表明,该模型预测值与实测值的平均误差为11. 35%,基于BP神经网络的抗剪强度预测模型具有较高的预测精度,为抗剪强度的预测提供了一种新方法。