Αναζήτηση

Πλοήγηση

• Κοινότητες
• Συγγραφείς
• Έτος
• Τίτλοι
• Θέματα

Ο Χώρος μου

• Είσοδος

Μελέτη της ενεργειακής αποδοτικότητας με βάση την υπέρυθρη επιθεώρηση από μη επανδρωμένα αεροσκάφη

Zarkada Savvoula

Πλήρης Εγγραφή

---

Περίληψη

Η θερμογραφία αποτελεί μια πολύτιμη μέθοδο διαγνωστικής εξέτασης στο πεδίο της ενεργειακής απόδοσης των κτιρίων. Με τη χρήση υπερύθρων καμερών, είναι δυνατό να εντοπίσουμε και να ποσοτικοποιήσουμε τις απώλειες θερμότητας μέσω των δομικών στοιχείων των κτιρίων. Αυτό μας βοηθά να προσδιορίσουμε τις περιοχές όπου εμφανίζονται προβλήματα, όπως θερμογέφυρες ή κακή μόνωση, και να εφαρμόσουμε τις κατάλληλες επεμβάσεις για την αντιμετώπισή τους. Η παρούσα έρευνα επικεντρώνεται στην ανάλυση της ενεργειακής απόδοσης κτιρίων με τη χρήση παθητικής θερμογραφίας και ειδικότερα της υπέρυθρης επιθεώρησης, μιας τεχνικής που επιτρέπει τη μέτρηση της θερμοκρασίας επιφανειών μέσω της ανίχνευσης της υπέρυθρης ακτινοβολίας που εκπέμπουν τα αντικείμενα. Η θερμογραφία παρέχει μια εικόνα των θερμοκρασιακών προφίλ και μπορεί να αποκαλύψει περιοχές με ασυνήθιστη θερμότητα ή ψύχρα σε επιφάνειες επιτρέποντάς μας να εντοπίσουμε έτσι αποκλίσεις, ελλείψεις ή ακόμα και προβλήματα που σχετίζονται με την ενεργειακή συμπεριφορά ενός κτιρίου. Στην περίπτωσή μας, εφαρμόζουμε δύο ειδικές μεθόδους έρευνας συνδυαστικά: τις "Automated fly-past surveys" και τις "Time-lapse surveys". Συγκεκριμένα, λάβαμε 104 φωτογραφίες σε διάστημα δύο ημερών, σε περιόδους 15 λεπτών, επιτρέποντάς μας να παρακολουθήσουμε τις διακυμάνσεις στη θερμοκρασία του κτιρίου και να εντοπίσουμε πιθανές ανωμαλίες.Η ερευνητική μελέτη που πραγματοποιείται χρησιμοποιεί έναν κώδικα που αναλύει εικόνες από θερμοκάμερες και ανιχνεύει ασυνήθιστες περιοχές με υπερβολικά θερμή ή ψυχρή θερμοκρασία. Αυτό επιτυγχάνεται μέσωτηςμεθόδου επιβλεπόμενης μάθησης, όπου ένα μοντέλο Convolutional Neural Network (CNN) εκπαιδεύεται να αναγνωρίζει αυτές τις ασυνήθιστες περιοχές στις εικόνες. Επομένως συνδυάζει και ποιοτική και ποσοτική ανάλυση. Ο κώδικας αυτός επίσης χρησιμοποιεί μεθόδους υπερδειγματοληψίας και υποδειγματοληψίας για να αντιμετωπίσει την ανισορροπία των κλάσεων στο σύνολο δεδομένων, ετικέτες (labels) που περιγράφουν τις περιοχές στις εικόνες, καθώς και ένα συνδυασμό διαφόρων τεχνικών βελτίωσης που επηρεάζουν την απόδοση των CNNs. Αυτές οι μέθοδοι είναι η Data Augmentation, η Dropout, το Stratified_split τα callbacks. Κατά τη διάρκεια της εκπαίδευσης, το μοντέλο CNN εκπαιδεύεται να μάθει τα χαρακτηριστικά των ασυνήθιστων περιοχών, προκειμένου να τις αναγνωρίζει αποτελεσματικά. Επιπλέον, ο κώδικας περιλαμβάνει μια διαδικασία αξιολόγησης της απόδοσης του μοντέλου στο σύνολο ελέγχου. Με βάση την απόδοση αυτή, το καλύτερο μοντέλο αποθηκεύεται για μελλοντική χρήση. Αυτό επιτρέπει τη συνεχή βελτίωση της ακρίβειας και της αποτελεσματικότητας του μοντέλου. Τέλος, αξιολογούνται τα μοντέλα πρόβλεψης και αναλύονται οι αποφάσεις που πρέπει να παρθούν για την ομαλή λειτουργία των κτιρίων.Συνολικά, η έρευνα αυτή αποτελεί μια σημαντική συνεισφορά στον τομέα της ενεργειακής απόδοσης κτιρίων. Η συνδυασμένη προσέγγιση της θερμογραφίας και της μηχανικής μάθησης μπορεί να οδηγήσει σε βελτιωμένες μεθόδους διαχείρισης ενέργειας, προωθώντας την επίτευξη πιο βιώσιμων και αποδοτικών κτιριακών συστημάτων. Αυτή η προσέγγιση μπορεί να βοηθήσει στον εντοπισμό προβλημάτων, ανωμαλιών και ελλείψεων που σχετίζονται με την ενέργεια στα κτίρια, προάγοντας την υγεία και την αποδοτικότητα των κτιριακών συστημάτων.

Διαθέσιμα αρχεία

Υπηρεσίες