Prediction of Thermal Energy Demand Using Fuzzy-Based Models Synthesized with Metaheuristic Algorithms
Notice bibliographique
Résumé
Increasing consumption of energy calls for proper approximation of demand towards a sustainable and cost-effective development. In this work, novel hybrid methodologies aim to predict the annual thermal energy demand (ATED) by analyzing the characteristics of the building, such as transmission coefficients of the elements, glazing, and air-change conditions. For this objective, an adaptive neuro-fuzzy-inference system (ANFIS) was optimized with equilibrium optimization (EO) and Harris hawks optimization (HHO) to provide a globally optimum training. Moreover, these algorithms were compared to two benchmark techniques, namely grey wolf optimizer (GWO) and slap swarm algorithm (SSA). The performance of the designed hybrids was evaluated using different accuracy indicators, and based on the results, ANFIS-EO and ANFIS-HHO (with respective RMSEs equal to 6.43 and 6.90 kWh·m−2·year−1 versus 9.01 kWh·m−2·year−1 for ANFIS-GWO and 11.80 kWh·m−2·year−1 for ANFIS-SSA) presented the most accurate analysis of the ATED. Hence, these models are recommended for practical usages, i.e., the early estimations of ATED, leading to a more efficient design of buildings.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».