在英国力争到 2050 年实现净零排放之际，图的建模能力有限，及时、准确地计算能效是新建和翻新建筑设计过程的重要组成分。
拉夫堡学的计算机科学家与多学科工程咨询公司Cundall 合作，因为它们只能对成对关系进行建模。如果我们想对关系之间的关系建模呢？我们也想知道以抽象方式建立这种关系层次结构的模型。例如，创建了一个人工智能系统，这体现在我们人类的思考方式中。我们能够进行抽象和类比，可以预测非住宅建筑的建筑排放率 (BER)——一个用于计算建筑能源性能的重要值。
当前的方法可能需要数小时到数天才能产生 BER，需要以分层方式在关系之间建立关系。此外，并且是通过手动输入数百个变量来生成的。
理学院的 Georgina Cosma 博士和研究生 Kareem Ahmed 设计并训练了一个 AI 模型，这种观点的重要性在深度学模型的空前成功中得到了明显体现，可以用 27 个输入预测 BER 值，深度学模型以分层的方式从简单的概念构建复杂的概念。在过去几年中，而准确性几乎没有损失。
更好的是，图神经网络已经成为一种计算框架，提议的 AI 模型是在 Cundall 的研究与创新主管 Edwin Wealend 的支持下创建的，以促进图上的神经网络类型计算。鉴于上述观点，并使用从英国能源绩效评估中获得的规模数据进行训练，很自然地考虑将图神经网络泛化为对高阶关系建模的网络。从实用的角度来看，几乎可以立即生成 BER 值。
Cosma 博士说，还有其他对象可能需要进行深度学类型的计算。比如三角形和多边形网格、多面体等对象。此外，这项研究“是在英国使用机器学工具进行能源预测的重要第一步”，它展示了数据如何“改善建筑行业的当前流程”。
那么，什么是 BER，为什么它很重要？
要了解 BER 的重要性，我们必须首先讨论能源性能证书 (EPC)。
在英国，每次出售、出租或建造建筑物时都必须完成 EPC。它提供了建筑物能源效率的指标，包含有关建筑物典型能源成本的信息，并建议提高能源效率的方法。
返回的最有用的值之一是资产评级——一个数字，它给出了建筑物的简单整体能源评级，该数字用带状（A+ 到 G）和颜色编码以便于解释。
然而，产生这个评级可能是一个缓慢的过程，因为计算需要建筑物排放率 (BER)——如前所述，这可能需要数小时到数天才能产生，具体取决于建筑物的复杂性。
人工智能模型
在他们最新的论文中，Cosma 博士和团队展示了他们的 AI 系统可以在不到一秒的时间内为非住宅建筑生成 BER，并且只有 27 个变量，而且准确性几乎没有损失——使其过程更快、效率更高。
他们使用了“基于决策树的集成”机器算法，并使用 81,137 条真实数据记录构建并验证了该系统，这些数据记录包含 2010 年至 2019 年整个英格兰非住宅建筑的信息。这些数据包含建筑容量、位置、加热、冷却照明和活动。
该团队专注于计算非住宅建筑（例如商店、办公室、工厂、学校、餐馆、医院和文化机构）的费率，因为这些建筑是英国能源使用效率最低的建筑，因此了解如何提高效率在设计和翻新过程中很有用。
项目结果已在2021 年英国建筑服务工程师学会 (CIBSE) 技术研讨会上发表，该论文将于今年晚些时候在 CIBSE 的网站上发表。
Cosma 博士评论说：“关于机器学在建筑物能源预测方面的应用的研究是存在的，但这些研究是有限的，尽管它们只占所有建筑物的 8%，但非住宅建筑占英国总二氧化碳的 20% 2排放。”
Cundall 的 Edwin Wealend 继续说道：“最终，我们希望利用该项目中的技术来预测实际运营能耗。
“通过快速准确地预测非住宅建筑的能源消耗和排放，我们可以将能源集中在更重要的任务上——降低能源消耗并实现净零。”
免责声明：文中图片均来源于网络，如有版权问题请联系我们进行删除！
