Predicting Thermal Energy Demands for Residential Buildings in Egypt: A Machine Learning Perspective
تقيم هذه الدراسة تسعة خوارزميات للتعلم الآلي على مجموعة بيانات محاكاة للمباني السكنية في القاهرة بمصر، مظهرةً أن النماذج القائمة على التجميع تتفوق على الطرق التقليدية في التنبؤ بدقة بأحمال التدفئة والتبريد مع تحديد نسبة النافذة إلى الجدار وتوزيع الزجاج كعوامل تصميم حاسمة لكفاءة الطاقة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في كل مرة نشغل فيها جهاز التدفئة في الشتاء أو مكيف الهواء في الصيف، فإننا ندفع ثمنًا يتجاوز بكثير فاتورة المرافق. فالمباني تستهلك جزءًا هائلًا من طاقة العالم، والأنظمة التي تحافظ على راحتنا هي المذنب الأكبر. ويتمثل التحدي الذي يواجه المعماريين والمهندسين في أن تصميم هذه الأنظمة هو بمثابة لعبة تخمين؛ إذ تعتمد الطرق التقليدية على رياضيات معقدة وقواعد تقريبية غالبًا ما تخطئ الهدف لأنها لا تستطيع بسهولة مراعاة كيفية تفاعل شكل المبنى، والمواد المستخدمة، وحجم نوافذه، والطقس المحلي مع بعضها البعض. وإذا أخطأ المصمم في تخمينه، فقد يقوم بتركيب نظام كبير جدًا، مما يهدر المال والطاقة، أو صغير جدًا، مما يترك المبنى غير مريح. ولحل هذه المشكلة، يتجه الباحثون إلى نوع مختلف من الأدوات: تعلم الآلة. فبدلاً من إجبار المشكلة على الدخول في معادلة جامدة، تتعلم هذه البرامج الحاسوبية من البيانات، وتجد أنماطًا في آلاف الأمثلة لتتوقع بدقة مقدار الطاقة التي سيحتاجها المبنى.
وفي دراسة جديدة ركزت على المباني السكنية في مصر، سعى الباحثون لمعرفة ما إذا كانت هذه البرامج الحاسوبية الذكية يمكنها التنبؤ باحتياجات التدفئة والتبريد بشكل أفضل من الطرق التقليدية. الفريق، بقيادة شيرين الشخبي وزملاء آخرين من جامعة بورسعيد، لم يكتفوا بالنظر إلى المباني الواقعية، والتي يمكن أن تكون فوضوية وغير متسقة، بل قاموا ببناء مختبر افتراضي. وباستخدام برامج متخصصة، قاموا بمحاكاة 640 منزلاً سكنياً مختلفاً في القاهرة. وقد قاموا بتغيير كل تفصيل يمكنهم التفكير فيه: شكل المبنى، وارتفاعه، ونوع العزل في الجدران، والأهم من ذلك، النوافذ. كما اختبروا أحجام نوافذ مختلفة، وطرقاً مختلفة لتوزيع الزجاج على الجدران، وكيفية مواجهة المبنى للشمس. ولكل منزل من هذه المنازل الـ 640 الافتراضية، قام البرنامج بحساب كمية الطاقة المطلوبة بالضبط لتدفئة أو تبريد المساحة، مما خلق مكتبة ضخمة من البيانات تمثل مجموعة واسعة من التصاميم المحتملة.
ومع وجود هذه المكتبة في أيديهم، قام الباحثون بتدريب تسعة أنواع مختلفة من نماذج تعلم الآلة لتعمل كأدوات تنبؤ. لقد غذوا الكمبيوتر بتفاصيل تصاميم المباني وطلبوا منه تخمين الحمل الحراري. وتراوحت النماذج من النهج البسيط والمباشر الذي يبحث عن علاقات خطية بين المتغيرات، إلى الأنظمة المعقدة والمتعددة الطبقات التي تبني على أخطائها لتصبح أكثر ذكاءً مع كل محاولة. كان الهدف هو معرفة أي طريقة يمكنها تعلم القواعد الأكثر دقة للتنبؤ باستخدام الطاقة. وكانت النتائج واضحة وحاسمة؛ فالنماذج الأكثر تطوراً، والمعروفة باسم "أساليب التجميع" (ensemble methods)، والتي تعمل من خلال دمج تنبؤات العديد من النماذج الأصغر، تفوقت بشكل كبير على النماذج الأبسط. وبشكل محدد، أثبتت تقنية تُسمى "تعزيز التدرج" (Gradient Boosting) أنها الأكثر موثوقية، حيث حققت مستوى من الدقة جعل تنبؤاتها تكاد لا تختلف عن نتائج المحاكاة الفعلية. وشملت أيضاً النماذج القوية الأخرى "الغابة العشوائية" (Random Forest) ونماذج "التعبئة" (Bagging)، والتي استخدمت أيضاً استراتيجية دمج وجهات نظر متعددة للوصول إلى نتيجة.
كما كشفت الدراسة عن الأجزاء الأكثر أهمية في تصميم المبنى. ومن خلال تحليل ما كانت تركز عليه أفضل النماذج، وجد الباحثون أن حجم النوافذ بالنسبة لمساحة الجدار وكيفية توزيع الزجاج عبر المبنى كانا العاملين المهيمنين. فالمبنى الذي يحتوي على نوافذ كبيرة في الجانب الخاطئ من الشمس سيتطلب طاقة تبريد أو تدفئة أكبر بكثير، بغض النظر عن ميزاته الأخرى. وهذه الرؤية حاسمة لأنها تخبر المصممين بالضبط أين يجب أن يركزوا جهودهم لتوفير الطاقة. وبينما استطاعت النماذج الأبسط، مثل المعادلات الخطية الأساسية، تقديم تخمين تقريبي، إلا أنها فشلت في استيعاب الواقع المعقد لكيفية تفاعل هذه العوامل. وفي الواقع، كان أداء بعض النماذج الأبسط سيئاً للغاية لدرجة أنها كانت عديمة الفائدة لهذا المهمة تحديداً، مما يسلط الضوء على أن طاقة المباني معقدة للغاية بالنسبة للمعادلات البسيطة.
ويثبت هذا العمل أن الأدوات القائمة على البيانات يمكن أن توفر طريقاً مختصراً قوياً لتصميم منازل موفرة للطاقة. فمن خلال محاكاة آلاف السيناريوهات وترك الكمبيوتر يتعلم الأنماط، يمكن للمعماريين اختبار أفكارهم قبل وضع طوبة واحدة. وتؤكد الدراسة أنه للتنبؤ بالاحتياجات الحرارية في المباني السكنية، فإن النهج الأكثر فعالية هو استخدام تعلم الآلة المتقدم الذي يمكنه التعامل مع الواقع المعقد وغير الخطي للعالم المادي. وبينما جاءت البيانات المستخدمة هنا من عمليات محاكاة لمنازل مصرية، فإن الطريقة تقدم مخططاً لكيفية تصميم مبانٍ أفضل في أي مكان. وهي تشير إلى أن مستقبل العمارة المستدامة لا يكمن فقط في مواد أفضل، بل في طرق أفضل لفهم كيفية سلوك تلك المواد معاً، مسترشدة برؤى الخوارزميات الذكية.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.