Enhancing building energy optimization efficiency: A performance analysis of simplification approaches
Notice bibliographique
Résumé
Building energy performance analysis often relies on detailed, computationally intensive modeling. Although efforts have been made to simplify energy modeling, applying these simplified models in simulation-based multi-objective optimization remains underexplored. This study evaluates the effectiveness of widely adopted simplification techniques for a mixed-use commercial building within a parallel NSGA-II optimization framework. Techniques such as thermal zone abstraction, material property approximation, geometric simplification, and idealization of Heating, Ventilation, and Air Conditioning (HVAC) systems were tested through progressively simplified scenarios. The findings demonstrate that simplified models can substantially reduce computational time compared to detailed models, especially when using parallel computing. For the detailed model, parallel optimization reduced computational time to 10.65 h, a 51 % improvement over the 21.65 h required for a single-threaded NSGA-II. Among the simplified models, the shoebox was the fastest, completing in 0.39 h but underestimating mean annual natural gas and electricity consumption by 11 % and 21 %, respectively, compared to the validated detailed model. The R-value model, though the most accurate with deviations under 2 %, achieved only a 3 % reduction in computational time. Based on space usage, the three-zone model balanced accuracy and efficiency by reducing the computational time by 40 %, with 7 % and 14 % underestimations for natural gas and electricity consumption, respectively. Additionally, a survey of energy modelers found that 42 % of participants achieved over 40 % time savings through geometric and HVAC simplifications, whereas material simplifications yielded only 5–10 % time savings for most respondents. These findings highlight the inherent trade-off between computational efficiency and predictive accuracy in building energy model simplifications. • Accuracy and speed of simplified models are assessed in an optimization process. • A parallel computing simulation-based optimization framework is presented. • Results highlight the impact of space usage in merging zone simplification. • prNSGA-II improved detailed model speed by 51 % over a single-threaded NSGA-II. • Shoebox model achieved 96 % time savings but had the highest energy deviation.
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 | 0,002 | 0,002 |
| 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 ».