İklim ve yapılı çevre, güçlü ve dinamik bir ilişki içindedir. Bu ilişki, iklim değişikliği krizi ile son yıllarda daha da önem kazanmıştır. Bu bağlamda, binaların çevresel yüklerinin azaltılması ve bina kullanıcılarının ısıl konforunun ve sağlığının korunması daha da kritik bir hale gelmiştir. İklim değişikliği araştırmalarında eğitim binaları yüksek iç yükleri, kendine özgü bina kullanım profilleri ve ana kullanıcılarının öğrenciler olması sebebi ile diğer bina tipolojilerinden ayrılır. Ayrıca, öğrenciler yaşları, vücutları ve metabolizmalarındaki farklılıklar sebebi ile ısıl konfor ve iç ortam hava kalitesine karşı daha hassastır. Bu sebepler ile, eğitim binalarında iklim değişikliği çerçevesinde performans iyileştirmesi gerekli hale gelmektedir. Enerji kaybını azaltmak ve ısıl konfor dengesini sağlamak için en etkili yöntemlerden biri, pencerelerin parametrelerini optimize etmektir. Bu çalışma, iklim değişikliğinin eğitim binası enerji ve ısıl performansı üzerindeki etkilerini ve pencere performansına dayalı pasif iyileştirme senaryolarının etkinliğini makine öğrenmesi ve istatistiksel analizler ile incelemektedir. Araştırma bina simülasyonlarına dayalı, dört aşamalı bir yaklaşıma dayanmaktadır ve sırasıyla (i) iklim değişikliği senaryosu ile modifiye edilmiş iklim veri setlerinin oluşturulması ve analizi, (ii) mevcut bina üzerinde iklim değişikliği etki analizi, (iii) iyileştirme senaryolarının karşılaştırmalı analizi ve (iv) makine öğrenmesine dayalı tahmin modelleri analizi adımlarını takip eder. Seçilen performans göstergelerinin (bina enerji tüketimi ve kullanıcı ısıl konforu) değerlendirilmesi için Ankara'daki mevcut bir ortaokul binası örnek vaka olarak seçilmiştir. Farklı pencere parametreleriyle, olası 2025 farklı iyileştirme senaryosu parametrik olarak modellenmiştir. Performans simülasyonları sonucunda üretilen tüm veri betimsel istatistik yöntemleriyle incelendikten sonra, verinin bir alt kümesi ile Rastgele Orman (RO) tahmin modelleri eğitilmiştir. Her bir performans göstergesi için farklı pencere parametrelerinin önemi, 10 kat çapraz doğrulama yöntemiyle RO modelleri öznitelik önemleri hesaplanarak sıralanmıştır. RO modelleriyle yapılan performans tahminleri gerçek değerlerinden sadece ortalama %2 sapmakta ve yüksek tahmin kapasitesi göstermektedir. Öznitelik önem değerleri inceliğinde pencere SHGC değerinin test edilen değişkenler arasında performansa dayalı iyileştirme senaryolarının en önemli parametresi olduğu gözlemlenmiştir. Ayrıca güçlendirme senaryoları ile toplam enerji tüketimi %50'ye varan azalma gösterirken, iç mekan ısıl konforunda önemli bir iyileşme gözlemlenmektedir. Bu çalışmanın sonuçları, mevcut eğitim binalarında maksimum etki için cam performans kriterlerinin ve en etkili kombinasyon seçiminin önemini vurgulamaktadır. Sonuçlar, binaların iklim değişikliğine adaptasyonu süreçlerinde makine öğrenmesinin etkin bir şekilde kullanılabileceğini göstermektedir. Çalışmada kullanılan yöntem farklı bina parametrelerini ve bina teknolojilerini kapsayacak şekilde genişletilebilir.
Urban building energy modelling (UBEM) has great potential for assessing the energy performance of the existing building stock and exploring various actions targeting energy efficiency. However, the precision and completeness of UBEM models can be challenged due to the lack of available and reliable datasets related to building occupant and layout information. This study presents an approach that aims to augment UBEM with open-data sources. Data collected from open data sources are integrated into UBEM in three steps.Step (1) involves the generation of occupant profiles from census data collected from governmental institutions. Step (2) relates to the automated generation of building plan layouts by extracting data on building area and number of rooms from an online real-estate website. Results of Steps (1) and ( 2) are incorporated into Step (3) to generate residential units with layouts and corresponding occupant profiles. Finally, we make a comparative analysis between data-augmented and standard UBEM based on building energy use and occupant thermal comfort. The initial results point to the importance of detailed, precise energy models for reliable performance analysis of buildings at the urban scale.
Climate change necessitates a critical reconsideration of the built environment since buildings are among the top fossil fuel consumers. Solar energy generation through building integrated photovoltaic (BIPV) systems is one of the most common onsite energy generation methods. However, many factors regarding urban morphology can negatively affect BIPV generation. Urban block typologies and spatial patterns are commonly studied descriptive metrics of an urban morphology that affect the solar energy potential. Similarly, the street network pattern is a measure of the spatial quality of an urban environment. Although various urban morphology indicators have been extensively studied in relation to solar energy potential, a comparative analysis of urban fabric focusing on street network patterns is also needed. In this study, four representative urban areas with different morphological characteristics are studied. The selected morphologies are parametrically modelled and compared with different building height configurations. A comparative analysis of BIPV generation capacity per square meter façade or roof area is presented. Urban areas without a dominating street network pattern have resulted in greater PV generation on facades, whereas the impact of urban morphology was found negligible for roof PV potential. The findings of this research have the potential to aid in urban planning and architectural design decisions, as well as the efficient use of BIPV systems in diverse urban morphologies.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.