شرح مختصری از مطالعات و پژوهش‌های صورت گرفته
Application of machine learning in thermal comfort studies: A review of methods, performance and challenges
این مقاله کاربرد یادگیری ماشین (ML) را در مطالعات آسایش حرارتی بررسی کرده و آخرین روش‌ها و یافته ها را برجسته می‌نماید، همچنین دستور کار برای مطالعات آینده ارائه می‌کند. در این بررسی نشان داده می شود که 62 درصد از مطالعات بر توسعه مدل‌های آسایش مبتنی بر گروه متمرکز شده‌اند، در حالی که 35 درصد بر روی مدل‌های آسایش شخصی (PCM) تمرکز کرده‌اند که تفاوت‌های فردی را بهحساب می‌آورند و دقت پیش‌بینی بالایی را ارائه می‌دهند. مدل‌های ML نسبت به PMV و مدل‌های تطبیقی تا 35.9 درصد و 31 درصد دقت بالاتر PCMها تا 74 درصد دقت بالاتر از مدل‌های PMV بهتر عمل کرده اند. استفاده از طرح‌های کنترل مبتنی بر ML مصرف انرژی مربوط به آسایش حرارتی را در ساختمان‌ها تا 58.5% کاهش می دهد، در حالی که کیفیت داخل ساختمان را تا 90% و سطحCO2 تا 24% کاهش یافته است . همچنین استفاده از پارامترهای فیزیولوژیکی دقت پیش‌بینی PCM را تا 97 درصد بهبود بخشیده است. مطالعات آینده برای بررسی بیشتر PCM ها، تعیین اندازه نمونه بهینه، و در نظر گرفتن معیارهای برازش و خطا برای ارزیابی مدل توصیه شده است. این مطالعه همچنین جمع‌آوری داده‌ها، شاخص‌های آسایش حرارتی، مقیاس زمانی، اندازه نمونه، انتخاب ویژگی، انتخاب مدل، و کاربرد دنیای واقعی را به عنوان چالش‌های باقی‌مانده در کاربرد ML در مطالعات آسایش حرارتی شناسایی می‌کند.
این مطالعه عملکرد و پایداری معیارهای روشنایی و درخشندگی پویا و ثابت را در 20 استودیو معماری که از استراتژی‌های مختلف روشنایی، مانند پنجره‌های سقفی، دیواری و کلرستوری استفاده می‌کنند، بررسی می‌کند. پژوهشگران در طول ماه‌های مختلف داده‌های تجربی را از سه دانشگاه جمع آوری کرده‌اند، از جمله اندازه‌گیری‌ها و پرسشنامه‌های نظرسنجی. همچنین شاخص های مورد نظر را توسط شبیه‌سازی محاسبه کرده و نتایج را با پاسخ‌های بدست آمده از ساکنین و اندازه‌گیری‌های میدانی مقایسه شده است. این مطالعه شاخص ها را بر اساس سازگاری آن ها با ادراک ساکنین امتیازدهی می‌کند و آستانه‌های قابل قبول معیار ها را که توسط استانداردها وکارشناسان توصیه شده است بررسی می‌کند. نتایج نشان می‌دهند که ادراک ساکنین با روشنایی محیطی در زمان معین، استقلال روشنایی روز (SDa) و روشنایی مفید روزانه مرتبط است، در حالی که هیچ همبستگی معناداری بین معیارهای درخشندگی شبکه‌ای و پاسخ کاربران مشاهده نشده است. این مطالعه پیشنهاد می‌دهد که UDI300-3000/50٪ ≥ 75٪ وAnnual Sunlight Exposure عملکرد بهتری در پیش‌بینی دسترسی به روشنایی و عدم آسایش بصری دارند. در نهایت، این مطالعه دو راهکار ساده (EDSDaylight و ESDGlare) را برای پیش‌بینی رضایت از روشنایی و عدم آسایش بصری بر اساس پارامترهای معماری در مرحله طراحی اولیه پیشنهاد می‌دهد.
این مقاله یک بررسی از 58 مطالعه میدانی و آزمایشات آزمایشگاهی انجام شده بین سال‌های ۲۰۱۲ تا ۲۰۲۰ را ارائه می‌دهد که بر روی شاخص های اعمال شده برای پیش‌بینی پذیرش و ترجیحات بصری ساکنین در محیط داخلی تمرکز دارد. این بررسی شامل منابع مطالعات، نتایج در چهار دسته اصلی از جمله 1) پرامتر‌های مخدوش کننده در مطالعات آسایش بصری، 2) میزان دقت شاخص ها، 3) شاخص های تعریف شده نوین یا اصلاح شده موجود، 4) آستانه های متریک معرفی شده و محدودیت هایی که از مطالعات موجود به دست آمده است همراه با پیشنهادات برای مطالعات آتی در ارتباط با آسایش بصری است. نتایج نشان می‌دهد که تا کنون یک توافق جامع درباره آستانه نورپردازی مناسب وجود نداشته و هیچ شاخص جهانی برای خیرگی وجود ندارد که به شرایط مختلف قابل اعمال باشد. به دلیل پیچیدگی مفهوم آسایش بصری و وابستگی درک ساکنین به عوامل متنوع، این مطالعه روند تحقیقات آینده را شامل توسعه پروتکل‌های مطالعه جامع، ارزیابی خیرگی بلندمدت و بهبود آستانه‌های شاخص‌ها نشان می‌دهد. یافته‌ها می‌تواند به محققان کمک کند تا استفاده و بهره گیری از مطالعات میدانی و آزمایشگاهی را در مطالعات آسایش بصری تسهیل بخشند.