Penentuan Parameter Kinerja Bangunan Dengan Metode Inverse Modeling Menggunakan Machine Learning

Septian Nur Hiadayat, Amaliyah Rohsari Indah Utami, Indra Wahyudhin Fathona

Abstract

Abstrak Energy Signature dalam suatu bangunan dapat dilihat dengan cara membandingkan Energy Usage Intensity (EUI) dengan Outdoor Temp. Metode untuk mengindentifikasi Energy Signature adalah Invers Modeling. Metode inverse modeling sendiri bisa digunakan dengan Machine Learning. Metode invers modeling dimulai saat mensimulasikan enam (6) bangunan dengan berbagai geometri. Hasil dari simulasi bangunan tersebut adalah parameter bangunan yaitu kondisi wwr (windowto wall ratio), dinding, kaca, ventilasi, kondisi infiltrasi, nilai COP (Coefficient of Performance) AC, setpoin temperatur AC, okupansi bangunan, dan iklim. Data hasil penelitian menunjukan bahwa dari masing-masing bangunan menunjukkan nilai EUI yang berbeda. Pada saat inilah machine learning digunakan untuk mencari nilai akurasi dari masing-masing bangunan. Penelitian ini menggunakan Python sebagai bahasa pemrograman machine learning dan Artificial neural networks (ANN) sebagai metode yang digunakan untuk mentraining data hasil simulasi. Setelah di training didapatkan nilai akurasi dari masing-masing bangunan menggunakan satu (1), tiga (3), sampai lima (5) hidden layer dengan masing-masing 25 neuron. Kata kunci: energy signature, artificial neural networks (ANN), parameter bangunan. Abstract Energy Signature in a building can be seen by comparing Energy Usage Intensity (EUI) with Outdoor Temp. The method for identifying Energy Signature is Inverse Modeling. The inverse modeling method itself can be used with Machine Learning. The inverse modeling method starts when simulating six (6) buildings with various geometries. The results of the building simulation are building parameters namely window to wall ratio, walls, glass, ventilation, infiltration conditions, AC COP (Coefficient of Performance) values, AC temperature setpoints, building occupancy, and climate. The research data shows that each building shows a different EUI value. At this time machine learning is used to find the accuracy value of each building. This study uses Python as a machine learning programming language and Artificial neural networks (ANN) as a method used for training simulation data. After training, the accuracy values of each building are obtained using one (1), three (3), up to five (5) hidden layers with 25 neurons each. Keywords: Energy Signature, Artificial Neural Networks (ANN), building paramater

Full Text:

PDF

Refbacks

  • There are currently no refbacks.
max_upload :0