A machine learning algorithm to improve building performance modeling during design
A machine learning algorithm to improve building performance modeling during design
复制标题
用于在设计过程中改进建筑性能建模的机器学习算法
DOI：
10.1016/j.mex.2019.10.037
复制
发表时间：
2020
期刊：
影响因子：
1.9
通讯作者：
Mukhopadhyay, Supratik
中科院分区：
文献类型：
--
作者：
Chokwitthaya, Chanachok;Zhu, Yimin;Dibiano, Robert;Mukhopadhyay, Supratik
建筑设计涉及影响建筑性能的因素的优化，如建筑功能，舒适度，安全性和能源。建筑性能模型（BPM）可以帮助设计人员评估和优化这些因素。然而，缺乏设计能力来有效地描述设计中的建筑物的人与建筑物的相互作用，可能会导致不准确的BPM的发展和预测与实际建筑物之间的性能差异。为了解决这一挑战，提出了一个计算框架，以提高BPM的估计性能。该框架使用人工神经网络（ANN）结合现有的BPM和上下文感知的设计特定的数据描述设计特定的人与建筑物的互动捕捉使用沉浸式虚拟环境（伊韦斯）。该框架产生了一个增强的BPM，可以预测建筑性能，考虑到特定于新设计的人与建筑的相互作用。它结合了一个功能排名技术，使设计师能够评估人与建筑物之间的相互作用的背景因素的影响。本文重点提供理论、实验和数据收集设计的细节，以及框架背后的算法，作为[1]的配套论文。·一个框架，用于将上下文因素与构建性能模型相结合，以增强其预测性能。·确定环境因素对人-建筑物相互作用影响的计算。
Building design involves the optimization of factors affecting building performance such as building functions, comfort, safety, and energy. Building performance models (BPMs) help designers to evaluate and optimize such factors. However, the lack of design capabilities to validly describe human-building interactions for buildings under design may contribute to the development of inaccurate BPMs and the performance discrepancy between predictions and actual buildings. To address this challenge, a computational framework is proposed to increase the estimations performance of BPMs. The framework uses artificial neural networks (ANNs) to combinean existing BPMandcontext-aware design-specific datadescribing design-specific human-building interactions captured by using immersive virtual environments (IVEs). The framework produces an augmented BPM that can predict building performance taking human-building interactions specific to a new design into consideration. It incorporates a feature ranking technique allowing designers to assess impacts of contextual factors on human-building interactions. The paper focuses on providing details of theories, experiment and data collection designs, and algorithms behind the framework as a companion paper of [1].•A framework for combining contextual factors with building performance models to enhance their predictive performance.•Computation for determining impacts of contextual factors on human-building interaction.
登录
查看更多内容
DOI：
10.1109/ijcnn.2019.8852411
发表时间：
2019-06
期刊：
2019 International Joint Conference on Neural Networks (IJCNN)
影响因子：
--
作者：
Chanachok Chokwitthaya;Edward Collier;Yimin Zhu;S. Mukhopadhyay
通讯作者：
Chanachok Chokwitthaya;Edward Collier;Yimin Zhu;S. Mukhopadhyay
预测人工照明的使用——一种基于观察到的行为模式的方法
DOI：
--
发表时间：
1980
期刊：
影响因子：
--
作者：
D. Hunt
通讯作者：
D. Hunt
影响因子：
10.3
作者：
Chokwitthaya, Chanachok;Zhu, Yimin;Mukhopadhyay, Supratik
通讯作者：
Mukhopadhyay, Supratik
沉浸式虚拟环境对乘员能量行为建模和验证的潜力和挑战：文献综述
影响因子：
6.4
作者：
Yimin Zhu;Sanaz Saeidi;Tracey E. Rizzuto;Astrid Roetzel;Robert Kooima
通讯作者：
Robert Kooima
使用虚拟现实 (VR) 增强人工照明控制行为的预测：试点研究
DOI：
10.1061/9780784481301.022
发表时间：
2018
期刊：
Journal of divorce
影响因子：
--
作者：
Chanachok Chokwitthaya;Robert DiBiano;Sanaz Saeidi;S. Mukhopadhyay;Yimin Zhu
通讯作者：
Yimin Zhu