메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
라선중 (성균관대학교) 신한솔 (성균관대학교) 서원준 (성균관대학교) 추한경 (성균관대학교) 박철수 (성균관대학교)
저널정보
대한건축학회 대한건축학회 논문집 - 구조계 大韓建築學會論文集 構造系 第33卷 第10號 (通卷 第348號)
발행연도
2017.10
수록면
69 - 77 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
The first principles-based simulation model, e.g. dynamic simulation, is influenced by model uncertainty, simplification of the reality, lack of information, a modeler’s subjective assumptions, etc. Recently, a data-driven machine learning model has received a growing attention for simulation of existing buildings. The data-driven model is advantageous that it is simpler and requires less inputs than the first principles based model. In this study, the authors applied five different machine learning techniques (Artificial Neural Network, Support Vector Machine, Gaussian Process, Random Forest, and Genetic Programming) to HVAC systems (chiller, cooling tower, pump, ice thermal storage system and air handling unit) installed in an existing office building. It was found that the five machine learning models are good enough to predict the dynamic behavior of the HVAC systems. The machine learning model made by Genetic Programming is most accurate among the five machine learning models. The models made by Support Vector Machine and Gaussian Process Model require significant computation time and thus are limited in terms of the number of inputs. The accuracy of the model made by Random Forest is dependent on the set of inputs.
#기존 건물 #기계학습 #데이터 기반 모델 #HVAC 시스템 #시뮬레이션 모델 #Existing building #machine learning #data-driven model #HVAC system #Simulation model

목차

Abstract
1. 서론
2. 기계학습 알고리즘
3. 대상 건물 및 HVAC 시스템
4. 기계학습 모델 작성
5. 결과 분석
6. 결론
REFERENCES

참고문헌 (25)

참고문헌 신청
Ahn, K. U., Kim, D. W., Kim, Y. J., & Park, C. S. (2016). Development of an Gaussian Process Model using a Data Filtering Method, Journal of the Architectural Institute of Korea: Planning & Design, 32(4), 97-105. Ahn, K. U., Kim, Y. J., & Park, C. S. (2012). Issues on Dynamic Building Energy Performance Assessment in Design Process, Journal of the Architectural Institute of Korea: Planning & Design, 28(12), 361-369. Angeline, P. J., Saunders, G. M., & Pollack, J. B. (1994). An evolutionary algorithm that constructs recurrent neural networks, IEEE transactions on Neural Networks, 5(1), 54-65. ASHRAE (2014). ASHRAE Guideline 14-2014: Measurement of Energy, Demand and Water Savings, American Society of Heating, Refrigerating and Air-Conditioning Engineers, Atlanta, GA Bottou, L., & Lin, C. J. (2007). Support vector machine solvers, Large scale kernel machines, 301-320.

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

이 논문과 함께 이용한 논문

랜덤 포레스트와 데이터 전처리를 이용한 냉동기 기계학습 모델 개발
신한솔 ,  박철수 대한건축학회 논문집 - 구조계 2017 .09
터보 냉동기 기계학습 모델과 가우시안 혼합 모델을 이용한 유효성 검증
박성호 ,  안기언 ,  이동혁 외 3명 대한건축학회 학술발표대회 논문집 2017 .10
건물 에너지 분석을 위한 기계학습(Machine Learning) 기법의 활용 사례
문현준 ,  윤영란 건축환경설비 2017 .12
기축 건물 HVAC 시스템의 기계학습 모델 개발 및 비교
라선중 ,  신한솔 ,  서원준 외 2명 대한건축학회 학술발표대회 논문집 2016 .10
인공지능 개요 및 적용 사례
최예림 ,  김관호 ie 매거진 2016 .06

최근 본 자료

전체보기

댓글(0)

0