Professional Documents
Culture Documents
Levent YILDIZ 1
1
Kocaeli Üniversitesi, Fen Bilimleri Enstütüsü, Kocaeli, Lyildiz@yandex.com.tr
1
Kocaeli Üniversitesi Fen Bilimleri Dergisi
değişimlere bağlı olarak meydana gelen ısıtma ve soğutma oranının ısıtma ve soğutma yüküne etkisini araştırmak için
yükündeki değişimler incelenmiştir. Bina enerji simülasyon pencere-duvar oranı %10, %20, %30, %40, %50 arasında
yazılımının sonuçları, ısıtma ve soğutma yükünü değiştirilerek hesaplama yapılmıştır. %60, %70 ve %80.
hesaplamak için yapay zeka tabanlı bir algoritma ile Daha sonra, pencere-duvar oranının farklı yönlerde
karşılaştırılmıştır [7]. Maçka, Yaşar ve Pehlevan 2011 etkisini incelemek için pencere-duvar oranı bir yönde
yılında yaptıkları çalışmada, Trabzon ilinde olduğu değiştirildi ve diğer yönlerde sabit tutuldu. Elde edilen ısıl
düşünülen bir bina için EnergyPlus bina enerji simülasyon yüklerin veri setleri ile yazılıma verilmeyen yalıtım
yazılımı yardımıyla farklı duvar tipleri ve farklı pencere- kalınlıkları ve pencere-duvar oranları için yapay zeka
duvar oranları ile hesaplamalar yapmışlardır. tanımladılar teknikleri kullanılarak ısıtma ve soğutma yüklerinin
Enerji kullanımı ve maliyet açısından uygun tahminleri yapılmıştır. Daha sonra farklı yönlerde pencere-
alternatifler [8]. Bu çalışmada, konutların enerji duvar oranının ağırlık oranları ile ısı yalıtım kalınlıklarının
performansını iyileştirmek için yapay zeka teknikleri ısıtma ve soğutma yükleri üzerindeki ağırlık oranları
kullanılarak ısıtma ve soğutma yükü hesabı yapılmayan belirlenmiştir.
modellerin termal yükleri tahmin edilmiştir. Bu çalışma ile
ısı yalıtım kalınlığının ve pencere-duvar oranının bu iki yük 2.1 Örnek Model
üzerindeki etkisi belirlenmiştir. Çalışma, binaların tasarım Çalışma için genişlik, derinlik ve yükseklik boyutları
aşamasında enerji tüketiminin azaltılabileceği sonucuna sırasıyla 10x10x3m olan tek katlı bir bina modellenmiştir.
varmıştır. Bu çalışma sayesinde binaların enerji Düşük eğimli çatıya sahip yapının dört cephesi aynı
performansını etkileyen parametrelerin tek tek ara malzeme, yalıtım kalınlığı ve pencere oranına sahip olacak
değerlerin hesaplanmasına gerek kalmamaktadır. şekilde tasarlanmıştır.
Hesaplamalarda kullanılan değerlerin bir kısmı yapay zeka Isı yalıtım kalınlığının ve pencere-duvar oranının
ile öğrenilebilmekte ve ara değerlerin etkisi elde farklı yönlere etkisi araştırıldığından bina boş bir mekan
edilebilmektedir. olarak tasarlanmış ve binanın işlevi konut olmuştur (Şekil
Aynı zamanda binanın enerji performansını etkileyen 1).
parametrelerden hangisinin daha etkili olduğunu belirlemek
için yapay zeka teknikleri ile tartılır. Bu yöntem ile bina
enerji simülasyon programını kullanmaya gerek kalmadan
enerji performansı hesaplanabilmektedir.
2. Malzeme ve Yöntem
Çalışma dört adımda gerçekleştirildi: referans binanın
oluşturulması; ısıtma ve soğutma yüklerinin hesaplanması;
yapay zeka tekniklerini kullanarak enerji tahmini; ve yalıtım
kalınlığının etkilerinin farklı yönlere ve pencere-duvar
oranına göre ağırlıklandırılması. DesignBuilder bina enerji Figür 1
simülasyon programı kullanılarak Türkiye'nin en sıcak
iklimine sahip şehri Antalya'da olduğu düşünülen bir konut TS 825 Binalarda Isı Yalıtım Kuralları Standardında
binası modellenmiştir. Referans bina sırasıyla 10x10x3m Türkiye 4 derecelik gün bölgelerine ayrılmıştır. Antalya
genişlik, derinlik ve yükseklik ölçüleri ile modellenmiş ve (30:42oD 36:53oN) 1. derece gündüz kuşağında yer alır ve
TS 825 Binalarda Isı Yalıtım Kuralları Standardı'nda duvar, sıcak-ılıman iklim özelliği gösteren Akdeniz ikliminden
tavan, döşeme ve pencereler için belirlenen U (Isı İletim etkilenir.
Katsayısı) değerleri dikkate alınarak seçilmiştir. Çalışmada Kış aylarında yaz aylarına göre daha fazla yağış
tasarlanan referans binanın tüm özellikleri aynı tutulmuş, ilk görülür. En yüksek sıcaklık ve en uzun güneş ışığına sahip
olarak ısı yalıtım kalınlığı 3, 5 ve 7 cm olarak değiştirilerek aylar Temmuz ve Ağustos'tur (Tablo 1) [9]. Termal yüklerin
ısıtma ve soğutma yükü hesabı yapılmıştır. hesaplanması için Meteonorm'dan Antalya ilinin iklim
verileri elde edilmiş ve DesignBuilder bina enerji
Daha sonra yalıtım kalınlığının farklı yönlerdeki simülasyon yazılımına yüklenmiştir [10].DesignBuilder,
etkilerini araştırmak için ilk hesaplamada başlangıçta bir EnergyPlus tabanlı bir yazılım aracıdır. Binaların
tarafın yalıtım kalınlığı 3-10 cm aralığında 1 cm'lik artışlarla performansını enerji, karbon misyonları, aydınlatma ve
diğer üç kenar 3 cm'de tutulmuş, İkinci hesaplamada 5 cm, konfor açısından ölçün. Binada kullanılan malzemeler, bina
üçüncü hesaplamada 7 cm. Çalışmada pencere-duvar kullanıcıları, ısıtma, soğutma ve havalandırma sistemleri
2
Kocaeli Üniversitesi Fen Bilimleri Dergisi
gibi veriler bu yazılımda tanımlanarak bina simülasyonu değerlendirilmesienerji yükleri, gölgeleme etkisinin
yapılabilmektedir. incelenmesi çevredeki binalara ve güneş ışığına, binaların
Yazılımın amaçları arasında; bina cephelerinin enerji havalandırılmasına ve ısıtma ve soğutma sistemlerinin
tüketimi ve gölgeleme faktörleri açısından tasarımı ve tanımlanması [11].
değerlendirilmesi, binalarda güneş ışınlarının kullanımı,
aydınlatma sistemlerinin çevreye etkisinin
2.2. ML Algoritmaları
Bu çalışmada yapılardaki ısıtma ve soğutma yükleri k-en yakın komşuluk, Destek vektör makineleri ve karar ağaçları
algoritmaları ile sınıflandırılmıştır. Bu bölümde sınıflandırma yapılırken kullanılan veri seti, sınıflandırma algoritmaları ve
çapraz doğrulama yöntemleri özetlenmiştir.
Makina öğrenme algoritmaları günümüzde birçok alanda kullanılmaktadır. Veri seti üzerinde çeşitli makine öğrenmesi
yöntemleri kullanılarak yük tahmini yapılması planlandığından bu yöntemleri kısaca değerlendirecek olursak yapılardaki
ısıtma ve soğutma yükleri 3 farklı sınıflandırma yöntemi ile sınıflandırılmıştır. [12].
k-EK sınıflandırma algoritması basitliği ve kullanım kolaylığı gibi avantajları sayesinde birçok alanda sıklıkla kullanılan
sınıflandırma metotların başında gelmektedir[13]. K-NN sınıflandırma algoritmasında eğitim aşamasında eğitim verisindeki
örnekler koordinat düzlemine yerleştirilerek
sınıfları ile ilişkilendirilir.
Daha sonra kurulan koordinat düzlemine test
için kullanılacak örnek yerleştirilir. k değeri
kadar test verisinin en yakın komşularına
bakılarak test verisinin sınıfı belirlenir. Test
verisinin sınıfı, komşu örnekler en çok hangi
sınıfa ait ise ilgili sınıfa ait olduğu tahmin edilir.
3
Kocaeli Üniversitesi Fen Bilimleri Dergisi
Şekildeki örnek ağaç yapısında da görüldüğü üzere öncelikle test veri setindeki x2 niteliği göz önünde bulun
durulmaktadır. x2 niteliğinin değerine göre örnek 0 şeklinde sınıflandırılabilir veya diğer niteliklerinin sorgulanmasına devam
edilebilir. Bu şekilde tüm test verileri sınıflandırılmış olur.
3. Bulgular ve Tartışma
4
Kocaeli Üniversitesi Fen Bilimleri Dergisi
Makine öğrenmesi metodları ile belirtilen alandaki verilerin görselleştirilmiş hali sağdaki grafiklerde gösterilmiştir.Test ve
train setlerinde pareto yaklaşı göz önünde bulundurulmuştur. Temel olarak test seti toplam verinin yüzde 20’sini
oluştururken eğitim bölümü ise yüzde 80’ini oluşturmaktadır.
4.Sonuçlar
5. Kaynaklar
1- Kaynaklı, O., (2008). A Study on Residential Heating
9- General Directorate of Meteorology, Antalya Average
Energy Requirement and Optimum Insulation Temperature Data, (2017. htpp://www.mgm.gov.tr.
Thickness. Renewable Energy, Volume:33, pp:1164- 10- Meteonorm, (2017). http://www.meteonorm.com/en/.
1172. DesignBuilder Software, (2017).
2- Chowdhury, A.A., Rasul, M.G., and Khan, M.M.K., http://www.designbuilder.co.uk/.
(2008). ThermalComfort Analysis and Simulation for 11- Üstün O., (2009). Determination of Activation Functions in A
Various Low-Energy CoolingTechonologies Applied to Feedforward Neural Network by using Genetic Algorithm.
an Office Building in a Subtropical Climate. Applied Pamukkale Üniversitesi
Enegy, Volume:85, pp:449-462. 12- K. Karadag and M. Ozerdem, "Classification of ECoG
3- Al-Sanea, S. and Zedan M., (2011). Improving Thermal patterns related to finger movements with wavelet
Performance of Building Walls by Optimizing based SVM methods", 2014 22nd Signal Processing
Insulation Layer Distribution and Thickness for Same and Communications Applications Conference (SIU),
Thermal Mass. Applied Energy, Volume:88, pp:3113- 2014.
3124 13- Cover T, Hart P, “Nearest Neighbor Pattern Classification”
IEEE Transactions On Information Theory 13:21–27, 1967.
4- Cheung, C.K., Fuller, R.J., and Luther, M.B., (2005).
14- *V. Vapnik, “The nature of statistical learning theory,”
EnergyEfficient Envelope Design for High-Rise
Springer-Verlag: New York, 1995.
Apartments. Energy and Buildings, Volume:37, pp:37- 15- J.R. Quinlan, C4.5: Programs for Machine Learning (Morgan
48. Kaufmann, San Mateo, CA, 1993).
5- Baykal, C., (2014). Binalarda Yönlere Göre Yalıtım 16- *Maron, O. and Moore, A. W. Hoeffding races: Accel- erating
Kalınlığının Ekonomikliğinin Araştırılması. Master of Thesis, model selection search for classification and function
Natural&Applied Science, Yıldız Technical University, approximation. In Cowan, J. D., Tesauro, G., and Alspector,
İstanbul. J., editors, Advances in Neural Information Processing
6- Daouas, N., (2011). A Study on Optimum Insulation Thickness Systems, volume 6, pages 59–66. Morgan Kaufmann
in Walls and Energy Savings in Tunisian Buildings Based on Publishers, Inc. (1994).
Analytical Calculation of Cooling and Heating Transmission 17-
Loads. Applied Energy, Volume:88, pp:156-164 18-
7- Tsanas, A. and Xifara, A., (2012). Accurate quantitative
Estimation of Energy Performance of Residential Buildings
Using Statistical Machine Learning Tools. Energy and
Buildings, Volume:49, pp:560-567.
8- Maçka, S., Yaşar, Y., and Pehlevan, A., (2011). Investigating of
the Effects on Building Energy Consumption and Life Cycle
Cost of Building Envelope Alternatives. 12th International
Conference on Durability of Building Materials and
Component, Porto, Portugal.