...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Energy and Buildings >Optimal modification of heating, ventilation, and air conditioning system performances in residential buildings using the integration of metaheuristic optimization and neural computing
【24h】

Optimal modification of heating, ventilation, and air conditioning system performances in residential buildings using the integration of metaheuristic optimization and neural computing

机译：结合元启发式优化和神经计算，对住宅建筑的供暖，通风和空调系统性能进行最佳修改

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This study pursues optima modification of heating, ventilating, and air conditioning (HVAC) systems embedded in residential buildings through predicting heating load (HL) and cooling load (CL). This purpose is carried out by employing four wise metaheuristic algorithms, namely wind-driven optimization (WDO), whale optimization algorithm (WOA), spotted hyena optimization (SHO), and salp swarm algorithm (SSA) synthesized with a multi-layer perceptron (MLP) neural work in order to overcome the computational shortcomings of this model. The used dataset consists of overall height, glazing area, orientation, relative compactness, wall area, glazing area distribution, roof area, and surface area as independent factors, and the HL and CL as target factors. The results indicated a high capability of all four metaheuristic ensembles for understanding the non-linear relationship between the mentioned factors. Meanwhile, a comparison between the used models revealed that SSA-MLP (Error(CL) = 1.9178 and Error(CL) = 2.1830) is the most accurate model, followed by WDO-MLP (Error(HL) = 1.9863 and Error(HL) and Error(CL) = 4.5930). Regarding the satisfying accuracy of the SSA-based ensemble, it can be a reliable tool for estimating the HL and CL for future smart city planning. (C) 2020 Elsevier B.V. All rights reserved.
机译：本研究通过预测供暖负荷（HL）和制冷负荷（CL）来对嵌入在住宅建筑中的供暖，通风和空调（HVAC）系统进行最佳修改。此目的是通过采用四级元启发式算法来实现的，即风驱动优化（WDO），鲸鱼优化算法（WOA），斑点鬣狗优化（SHO）和由多层感知器合成的蜂群算法（SSA）（ MLP）神经工作，以克服该模型的计算缺陷。所使用的数据集包括总高度，玻璃面积，方向，相对密实度，壁面积，玻璃面积分布，屋顶面积和表面积作为独立因素，而HL和CL作为目标因素。结果表明，所有四个元启发式合奏都能够很好地理解所提及因素之间的非线性关系。同时，使用模型之间的比较显示，SSA-MLP（Error（CL）= 1.9178和Error（CL）= 2.1830）是最准确的模型，其次是WDO-MLP（Error（HL）= 1.9863和Error（HL） ）和Error（CL）= 4.5930）。关于基于SSA的集成的令人满意的准确性，它可以作为估算HL和CL的可靠工具，以用于未来的智慧城市规划。 （C）2020 Elsevier B.V.保留所有权利。

著录项

  • 来源
    《Energy and Buildings》 |2020年第5期|109866.1-109866.11|共11页
  • 作者

  • 作者单位

    North China Univ Water Resources & Elect Power Sch Environm & Municipal Engn Zhengzhou 450046 Peoples R China;

    Ton Duc Thang Univ Dept Management Sci & Technol Dev Ho Chi Minh City Vietnam|Ton Duc Thang Univ Fac Civil Engn Ho Chi Minh City Vietnam;

    Duy Tan Univ Inst Res & Dev Da Nang 550000 Vietnam|Duy Tan Univ Fac Civil Engn Da Nang 550000 Vietnam;

    Razi Univ Fac Engn Kermanshah Iran;

  • 收录信息 美国《科学引文索引》(SCI);美国《工程索引》(EI);
  • 原文格式 PDF
  • 正文语种 eng
  • 中图分类
  • 关键词

    Hvac system; Heating load; Cooling load; Neural computing; Metaheuristic optimization;

    机译：暖通空调系统;加热负荷;冷却负荷神经计算元启发式优化;

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号