A Multiobjective Deep Learning Solution for Optimizing Cooling Rates of Urban Courtyard Blocks in Hot Arid Zones
Notice bibliographique
Résumé
In response to the rapid urbanization and housing demands, there has been a shift from traditional courtyards to multi-story city structures.Unfortunately, this transition can significantly affect the local climate and overall comfort due to increased heat.To overcome these challenges, our proposed approach suggests implementing multi-objective optimization techniques to strike a balance between various competing goals.These goals may encompass outdoor thermal comfort, energy efficiency, and urban sustainability when designing urban courtyard blocks.This study has many potential benefits for sustainable living and aligns with several Sustainable Development Goals (SDGs) like Energy Efficiency (SDG 7 -Affordable and Clean Energy), Sustainable Cities and Communities (SDG 11 -Sustainable Cities and Communities) and Good Health -Well-being (SDG 3 -Good Health and Well-being).The outcomes from this paper will help reduce the effects of climate change by making a positive contribution to sustainable development.This research aims to anticipate the cooling load per unit area (cooling/m 2 ) of buildings in hot arid zones based on building features such as overall height, orientation, and other considerations of buildings.The deep learning algorithms used are MLP Regressor, RNN LSTM, and RBFN.This research aims to create a model to properly forecast cooling load per unit area and provide insights into the best building design for lowering cooling loads in hot arid zones.RBFN outperformed MLP Regressors and RNN LSTM in forecasting cooling rates in urban courtyard blocks, according to the findings.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».