İnsan Vücudu Ekserji Tüketimini Öngörmek için Yapay Sinir Ağlarının Kullanılması

Abstract

Amerikan Isıtma, Soğutma ve Ġklimlendirme Mühendisleri Derneği (ASHRAE), termal konforu 'ısıl çevre ile mutluluk veren zihin durumu' olarak tanımlar. Enerji ve Madde bir sistem olarak dağılabilir ve çevreleriyle dengeye doğru hareket edebilir ve buna termodinamikte ekserji denir. Tahmini Ortalama Oy (PMV)/Öngörülen Memnuniyetsizlik Yüzdesi (PPD) modeli ve uyarlanabilir termal konfor yaklaşımı, termal konforu değerlendirmek için en yaygın kullanılan iki yöntemdir. ekserji kavramını termal konforun bir indeksi olarak insan vücudu sistemine uygulayın. Bir kişinin ekserji dengesi ile termal konfor seviyeleri arasındaki ilişki, vücuttan ısı ve suyu etkili bir şekilde dağıtmanın insan refahı için gerekli olmasıdır. Bu nedenle , en düşük insan vücudu ekserji tüketim oranı çoğunlukla optimum termal konfor seviyesini verir.Bu tezde Yapay Zeka tabanlı bir çalışma yapılmıştır. Ekserji ve termal konfor açısından en iyi koşulu elde etmek için, Atılım Üniversitesi'nin Mühendislik Fakültesi binasında içinde bir kiş olan bir odada deneyler yapılmıştır. Ġnsan vücudunun ekserji tüketimi bir bilgisayar programı aracılığıyla çıkarılmakta ve çevresel parametreler objektif sensörler ile ölçülmektedir. Daha sonra Python ortamında bir Yapay Sinir Ağı (YSA) modeli geliştirilmiştir. vi Sinir ağı tekniğinde bir geri yayılım ve sigmoid işlevi kullanılır. YSA modeline toplam 133 veri dahil edilmiş olup, verilerin 75% yani 99 veri seti eğitim ve geri kalanı test için kullanılmıştır. Sağlanan koşullar altında 1,98'lik bir Ortalama Mutlak Yüzdelik Hatası (MAPE) ve 0,91'lik bir doğru tahmin oranı (R2) bulunur ve bu, yapay sinir ağı modeli çıktıları ile insan vücudu ekserji verileri arasında iyi bir koordinasyon olduğunu gösterir. Basitlik, analiz hızı ve kısıtlı veri kümelerinden öğrenme, insan vücudu ekserji simülasyonu üzerindeki bir YSA modelinin avantajı olarak gösterilebilir. Bu tez, insanların ne kadar ekserji oranı tükettiğini (HBExC) belirlemek için bir YSA modeli kullanan yeni bir konsept sunmaktadır. Bunun nedeni, yapay sinir ağlarının (YSA) bina ve termal konfor alanlarında en yaygın olarak kullanılan yapay zeka tekniği olmasıdır. Sonuçta, doğrusal olmayan değişkenlerin etkileşimlerini, özellikle değişkenleri arasında karmaşık doğrusal olmayan ilişkilere sahip olan ekserji kavramını hızlı ve doğru bir şekilde ele alabilirler.

The American Society of Heating, Refrigerating, and Air-Conditioning Engineers (ASHRAE) defines thermal comfort as 'the state of mind that conveys happiness with the thermal environment'. Energy and Matter can scatter as a system and move toward equilibrium with their surrounding environment, and this is referred to as exergy in thermodynamics. Predicted Mean Vote (PMV)/Percentage of Predicted Dissatisfied (PPD) model and adaptive thermal comfort approach are the two most widely used methods for assessing thermal comfort. However, it is also possible to apply the exergy notion to the human body system as an index of thermal comfort. The relationship between a person's exergy balance and their level of thermal comfort is that effectively dissipating heat and water from the body is essential to human well-being. For this reason, the lowest human body exergy consumption rate mostly gives the optimum thermal comfort level. In this thesis, an Artificial Intelligence-based work was conducted in a room of engineering faculty of the Atilim University, Ankara, Turkey, with an occupant being inside the room to obtain the best condition for his exergy and thermal comfort. Human body exergy consumption is extracted via a computer programme and environmental parameters iv are measured by objective sensors. Then, an Artificial Neural Network (ANN) model is developed in Python environment. A back propagation and sigmoid function is used in the neural network technique. A total of 133 data are included in the ANN model, with 75% (99 datasets) being used for training and the remaining for testing. A Mean Absolute Percentage Error (MAPE) of 1.98 and an accurate prediction rate (R2) of 0.91 are found under the provided conditions, indicating a good coordination between the artificial neural network model outputs and the human body exergy data. Simplicity, speed of analysis, and learning from restricted data sets are all features of an ANN model over human body exergy simulation. This thesis presents a novel concept that uses an ANN model to determine how much exergy rate people consume (HBExC). This is because artificial neural networks (ANNs) are the most commonly used artificial intelligence technique in the field of buildings and thermal comfort fields. After all, they can handle nonlinear variables' interactions rapidly and correctly, especially, exergy concept which has complex nonlinear relationships between its variables.