فایل ورد کامل بهینه سازی سیستم HVAC با استفاده از الگوریتم نیرومند ازدحام ذرات چندمنظوره

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل بهینه سازی سیستم HVAC با استفاده از الگوریتم نیرومند ازدحام ذرات چندمنظوره،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۸ صفحه

در این مقاله، روش داده گرا به منظور بهینه سازی سیستم گرمسازی، هوارسانی، و تهویه مطبوع (HVAC) در ساختمان اداری، معرفی می شود. از الگوریتم شبکه عصبی (NN) (به سبب عملکرد بهتر آن نسبت به پنج الگوریتم دیگری که در این مطالعه مورد بررسی قرار گرفته اند) برای ساخت مدل پیش بینی کننده استفاده شد. سپس، مدل پیش بینی NN-گرا، با الگوریتم نیرومند بهینه سازی ازدحام ذرات چندمنظوره (S-MOPSO) بهینه شد. رابطه میان مصرف انرژی و سطح دمای راحتی با اندازه گیری درجه حرارت و رطوبت، مورد بررسی قرار گرفت. تنظیمات کنترلی با توجه به بهینه سازی مدلی که مصرف انرژی را به حداقل برساند و در عین حال درمایی راحتی را در سطح قابل قبولی حفظ نماید، به دست آمد. جواب های به دست آمده بوسیله الگوریتم S-MOPSO اشاره به موارد زیادی دارد که باید در سیستم HVAC کنترل شوند، و طیفی از دیگر موارد قابل جایگزین با دمای راحتی و مصرف انرژی را نشان می دهد.

کلمات کلیدی: HVAC | بهینه سازی | شبکه عصبی | محاسبات تکاملی | الگوریتم نیرومند ازدحام ذرات چندمنظوره

عنوان انگلیسی:

Optimization of an HVAC system with a strength multi-objective particle-swarm algorithm

~~en~~ writers :

Andrew Kusiak, Guanglin Xu, Fan Tang

A data-driven approach for the optimization of a heating, ventilation, and air conditioning (HVAC)
system in an office building is presented. A neural network (NN) algorithm is used to build a predictive
model since it outperformed five other algorithms investigated in this paper. The NN-derived predictive
model is then optimized with a strength multi-objective particle-swarm optimization (S-MOPSO)
algorithm. The relationship between energy consumption and thermal comfort measured with
temperature and humidity is discussed. The control settings derived from optimization of the model
minimize energy consumption while maintaining thermal comfort at an acceptable level. The solutions
derived by the S-MOPSO algorithm point to a large number of control alternatives for an HVAC system,
representing a range of trade-offs between thermal comfort and energy consumption.

Keywords: HVAC | Optimization | Neutral network | Evolutionary computation | Strength multi-objective particle-swarm | algorithm

$$en!!