Machine Learning Method Based on Symbiotic Organism Search Algorithm for Thermal Load Prediction in Buildings
Notice bibliographique
Résumé
This research investigates the efficacy of a proposed novel machine learning tool for the optimal simulation of building thermal load. By applying a symbiotic organism search (SOS) metaheuristic algorithm to a well-known model, namely an artificial neural network (ANN), a sophisticated optimizable methodology is developed for estimating heating load (HL) in residential buildings. Moreover, the SOS is comparatively assessed with several identical optimizers, namely political optimizer, heap-based optimizer, Henry gas solubility optimization, atom search optimization, stochastic fractal search, and cuttlefish optimization algorithm. The dataset used for this study lists the HL versus the corresponding building conditions and the model tries to disclose the nonlinear relationship between them. For each mode, an extensive trial and error effort revealed the most suitable configuration. Examining the accuracy of prediction showed that the SOS–ANN hybrid is a strong predictor as its results are in great harmony with expectations. Moreover, to verify the results of the SOS–ANN, it was compared with several benchmark models employed in this study, as well as in the earlier literature. This comparison revealed the superior accuracy of the suggested model. Hence, utilizing the SOS–ANN is highly recommended to energy-building experts for attaining an early estimation of the HL from a designed building’s characteristics.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».