Обоснование комбинации стандартных значений характеристик материалов слоев в составе ограждающей конструкции на основе квадратичной оптимизации

Обложка

Цитировать

Полный текст

Аннотация

Введение. Актуальность исследования определяется особенностями конструктивных и организационно-технологических решений, формируемых в процессе разработки современных строительных проектов, заключающимися в использовании ограниченного состава технологических ресурсов (строительных материалов, машин и оборудования), обуславливающего дискретность значений характеристик вышеупомянутых решений. Цель исследования — разработка инструментальных средств для обоснования комбинации стандартных значений характеристик материалов, используемых для устройства слоев ограждающей конструкции, с применением средств квадратичной оптимизации.Материалы и методы. Разработаны математические модели оптимизации толщин материалов, используемых в качестве слоев ограждающей конструкции в составе жилого здания, базирующиеся на дискретных и бинарных неизвестных переменных, а также на критериях средневзвешенной (по толщине слоев) температуры, общей толщины и сопротивления теплопередаче конструкции. Математические модели имеют квадратичную структуру целевой функции и линейную структуру непрямых ограничений, однако наличие ограничений дискретности (бинарности) неизвестных переменных существенно затрудняет процесс реализации моделей ввиду отсутствия подходящих стандартных (доступных в современных  программных средах математического моделирования) вычислительных алгоритмов. В этой связи принято решение разработать пользовательский вычислительный алгоритм, заключающий в себе преимущества метода ветвей и границ, используемого для определения оптимальных значений неизвестных переменных, в отношении которых заданы требования дискретности или бинарности, а также метода внутренней точки, применяемого для установления оптимального решения модели квадратичной оптимизации без учета вышеупомянутых требований.Результаты. Разработанные математические модели реализованы с использованием предложенного вычислительного алгоритма на практическом примере для решения задачи обоснования комбинации стандартных значений характеристик материалов в отношении рассматриваемой ограждающей конструкции. Полученные результаты позволили сформировать зависимости значений отдельных теплотехнических показателей конструкции от требуемого значения ее толщины.Выводы. На основе анализа результатов реализации разработанных математических моделей с использованием предложенного вычислительного алгоритма на практическом примере сделан вывод о высокой практической значимости вышеупомянутых инструментальных средств.

Об авторах

Я. А. Олехнович

Санкт-Петербургский политехнический университет Петра Великого (СПбПУ)

Email: olehnovich_yaa@spbstu.ru
ORCID iD: 0000-0001-9578-7245

А. Е. Радаев

Санкт-Петербургский политехнический университет Петра Великого (СПбПУ)

Email: radaev_ae@spbstu.ru
ORCID iD: 0000-0002-0840-6828

Список литературы

  1. Yu W., Li B., Jia H., Zhang M., Wang D. Application of multi-objective genetic algorithm to optimize energy efficiency and thermal comfort in building design // Energy and Buildings. 2015. Vol. 88. Pp. 135–143. doi: 10.1016/j.enbuild.2014.11.063
  2. Benaddi F.Z., Boukhattem P., Tabares-Velasco P.C. Multi-objective optimization of building envelope components based on economic, environmental, and thermal comfort criteria // Energy and Buildings. 2024. Vol. 305. P. 113909. doi: 10.1016/j.enbuild.2024.113909
  3. Liu Y., Li T., Xu W., Wang Q., Huang H., He B.J. Building information modelling-enabled multi-objective optimization for energy consumption parametric analysis in green buildings design using hybrid machine learning algorithms // Energy and Buildings. 2023. Vol. 300. P. 113665. doi: 10.1016/j.enbuild.2023.113665
  4. Delgarm N., Sajadi B., Delgarm S. Multi-objective optimization of building energy performance and indoor thermal comfort: A new method using artificial bee colony (ABC) // Energy and Buildings. 2016. Vol. 131. Pp. 42–53. doi: 10.1016/j.enbuild.2016.09.003
  5. He L., Zhang L. A bi-objective optimization of energy consumption and investment cost for public building envelope design based on the ε-constraint method // Energy and Buildings. 2022. Vol. 266. P. 112133. doi: 10.1016/j.enbuild.2022.112133
  6. Karmellos M., Kiprakis A., Mavrotas G. A multi-objective approach for optimal prioritization of energy efficiency measures in buildings: Model, software and case studies // Applied Energy. 2015. Vol. 139. Pp. 131–150. doi: 10.1016/j.apenergy.2014.11.023
  7. Yang H., Xu Z., Shi Y., Tang W., Liu Ch., Yunusa-Kaltungo A. et al. Multi-objective optimization designs of phase change material-enhanced building using the integration of the Stacking model and NSGA-III algorithm // Journal of Energy Storage. 2023. Vol. 68. P. 107807. doi: 10.1016/j.est.2023.107807
  8. Asadi E., Gameiro da Silva M., Antunes C.H., Dias L., Glicksman L. Multi-objective optimization for building retrofit: A model using genetic algorithm and artificial neural network and an application // Energy and Buildings. 2014. Vol. 81. Pp. 444–456. doi: 10.1016/j.enbuild.2014.06.009
  9. Hosamo H.H., Tingstveit M.S., Nielsen H.K., Svennevig P.R., Svidt K. Multiobjective optimization of building energy consumption and thermal comfort based on integrated BIM framework with machine learning-NSGA II // Energy and Buildings. 2022. Vol. 277. P. 112479. doi: 10.1016/j.enbuild.2022.112479
  10. Rosso F., Ciancio V., Dell’Olmo J., Salata F. Multi-objective optimization of building retrofit in the Mediterranean climate by means of genetic algorithm application // Energy and Buildings. 2020. Vol. 216. P. 109945. doi: 10.1016/j.enbuild.2020.109945
  11. Wu C., Pan H., Luo Zh., Liu Ch., Huang H. Multi-objective optimization of residential building energy consumption, daylighting, and thermal comfort based on BO-XGBoost-NSGA-II // Building and Environment. 2024. Vol. 254. P. 111386. doi: 10.1016/j.buildenv.2024.111386
  12. Ouanes S., Sriti L. Regression-based sensitivity analysis and multi-objective optimisation of energy performance and thermal comfort: Building envelope design in hot arid urban context // Building and Environment. 2023. Vol. 248. P. 111099. doi: 10.1016/j.buildenv.2023.111099
  13. Wong B., Wu Zh., Gan V., Chan C., Cheng J. Parametric building information modelling and optimality criteria methods for automated multi-objective optimisation of structural and energy efficiency // Journal of Building Engineering. 2023. Vol. 75. P. 107068. doi: 10.1016/j.jobe.2023.107068
  14. Radaev A.E., Gamayunova O.S., Bardina G.A. Optimization of energy efficiency design characteristics for construction projects // AlfaBuild. 2021. Nо. 5 (20). P. 2003. doi: 10.57728/ALF.20.3. EDN RZOJPY.
  15. Yang J., Wu H., Xu X., Huang G., Cen J., Liang Y. Regional climate effects on the optimal thermal resistance and capacitance of residential building walls // Energy and Buildings. 2021. Vol. 244. P. 111030. doi: 10.1016/j.enbuild.2021.111030
  16. Sánchez-Zabala V.F., Gomez-Acebo T. Building energy performance metamodels for district energy management optimisation platforms // Energy Conversion and Management: X. 2024. Vol. 21. P. 100512. doi: 10.1016/j.ecmx.2023.100512
  17. Shi Y., Chen P. Energy retrofitting of hospital buildings considering climate change: An approach integrating automated machine learning with NSGA-III for multi-objective optimization // Energy and Buildings. 2024. Vol. 319. P. 114571. doi: 10.1016/j.enbuild.2024.114571
  18. Huang J., Lv H., Gao T., Feng W., Chen Y., Zhou T. Thermal properties optimization of envelope in energy-saving renovation of existing public buildings // Ener-gy and Buildings. 2014. Vol. 75. Pp. 504–510. doi: 10.1016/j.enbuild.2014.02.040
  19. Гамаюнова О.С. Методика обоснования теплотехнических характеристик стеновых конструкций жилых зданий : дис. ... канд. техн. наук. СПб., 2021. 166 с. EDN CJHWXK.
  20. Иванова В.Р., Жидко Е.А. Сравнение вариантов утеплителя для реконструкции жилого дома методом анализа иерархий // Информационные технологии в строительных, социальных и экономических системах. 2019. № 3–4 (17–18). С. 183–188. EDN THYVAJ.
  21. Иванова И.Б., Романов М.А. Выбор проектного решения на основе системы показателей с использованием метода парных сравнений // Социально-экономическое управление: теория и практика. 2019. № 1 (36). С. 80–82. EDN UQDZZK.
  22. Радаев А.Е., Гамаюнова О.С., Бардина Г.А. Использование средств оптимизационного моделирования для обоснования характеристик энергоэффективного конструктивного решения // Строительство и техногенная безопасность. 2022. № 27 (79). С. 5–25. EDN EXVSFS.
  23. Радаев А.Е., Гамаюнова О.С. Обоснование характеристик многослойной стеновой конструкции с использованием средств квадратичного программирования // Строительство и техногенная безопасность. 2021. № 22 (74). С. 111–127. doi: 10.37279/2413-1873-2021-22-111-127. EDN ORVFEG.
  24. Резанов Е.М., Петров П.В. Повышение эффективности утепления стен зданий с учетом регулирования отпускаемой тепловой энергии // Известия Транссиба. 2019. № 4 (40). С. 77–86. EDN DWXNDX.
  25. Петров П.В., Кулагин В.А., Резанов Е.М., Стариков А.П. Совершенствование технологии теплоизоляции зданий // Журнал Сибирского федерального университета. Серия: Техника и технологии. 2023. Т. 16. № 2. С. 187–197. EDN IXBHRM.
  26. Deep K., Singh K.P., Kansal M.L., Mohan C. A real coded genetic algorithm for solving integer and mixed integer optimization problems // Applied Mathematics and Computation. 2009. Vol. 212. Issue 2. Pp. 505–518. doi: 10.1016/j.amc.2009.02.044

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».