Бул изилдөө, тарыхый коомдук имараттын бир саат кийинки ички чөйрөнүн оперативдүү температурасын ve муздатуу үчүн электр керектөөсүн tahmin etmek üzere физика маалымдуу нейрон тармактарына dayanan эки баскычтуу bir yöntem geliştirmiştir. физика маалымдуу нейрон тармагы, yalnızca geçmiş verilerdeki örüntüleri öğrenmek yerine энергиянын сакталуусу gibi fiziksel ilişkileri окутуу жоготуу функциясына ekleyen bir makine öğrenmesi yaklaşımıdır.

Araştırmanın örnek yapısı, İtalya’nın Bari kentinde bulunan ve 1930’ların başında inşa edilen Падышалык аба күчтөрү 4. аймактык аба мейкиндиги штабы, diğer adıyla ZAT казармасы’dır. Dört katlı ve yaklaşık 7559 m² toplam alana sahip yapı günümüzde коомдук кеңсе olarak kullanılmaktadır. калың туф дубалдары ve бетон пол плиталары жогорку жылуулук массасы sağlasa da duvar, çatı ve pencere ısıl geçirgenlikleri güncel enerji performansı ölçütlerine göre yüksektir.

Изилдөөda doğrudan sürekli sensör ölçümlerinden oluşan bir veri kümesi kullanılmamıştır. Önce arşiv belgeleri, yerinde incelemeler, dönemsel ölçümler, kullanıcı geri bildirimleri ve geçmiş enerji tüketimleri kullanılarak DesignBuilder–EnergyPlus ortamında bir имарат энергия модели oluşturulmuştur. Daha sonra bu modelin haziran–ağustos dönemine ait saatlik simülasyon çıktılarından 2208 örneklik синтетикалык маалымат топтому üretilmiştir.

физика маалымдуу нейрон тармагы iki ardışık aşamada çalışmaktadır. Birinci aşama, mevcut оперативдүү температура, сырткы аба температурасы, күн жылуулук түшүмү, kullanıcı kaynaklı ички түшүмдөр, желдетүү ve муздатуу жүгү gibi girdilerden бир саат кийинки оперативдүү температураны tahmin etmektedir. İkinci aşama ise tahmin edilen sıcaklığı diğer enerji ve kullanım girdileriyle birleştirerek бир саат кийинки муздатуу электр керектөөсүni hesaplamaktadır.

Sinir ağının eğitiminde yalnızca tahmin ile referans değer arasındaki fark kullanılmamış; binanın энергия балансы denkleminin artığı da kayıp fonksiyonuna eklenmiştir. Böylece ağın sentetik verilere uyarken tanımlanan termodinamik ilişkiye de yaklaşması amaçlanmıştır. Model beş gizli katman, katman başına 256 nöron ve гиперболалык тангенс etkinleştirme işlevi kullanmaktadır. Eğitimde Adam ve L-BFGS-B optimizasyon yöntemleri, физика коэффициенттеринин seçiminde ise Optuna tabanlı Tree-structured Parzen Estimator uygulanmıştır.

Bağımsız zaman sıralı test kümesinde оперативдүү температура için 0,091 °C RMSE, %0,34 CVRMSE, 0,025 °C MBE ve %0,09 NMBE bildirilmiştir. Soğutma elektrik tüketimi için RMSE 2,12 kWh, CVRMSE %9,95, MBE 0,04 kWh ve NMBE %0,19 olarak verilmiştir. Bu değerler, modelin EnergyPlus tarafından üretilen referans zaman serisini yüksek doğrulukla yeniden ürettiğini göstermektedir.

Fizik bilgili model, araştırmada kullanılan çok katmanlı algılayıcı, Random Forest ve сызыктуу регрессия modellerinden daha düşük hata vermiştir. Operatif sıcaklık RMSE’sinin karşılaştırılan modellere göre %96,7–98,6; soğutma tüketimi RMSE’sinin ise %24,3–68,4 oranında azaldığı bildirilmiştir.

Ancak bu performans gerçek bir tarihî binadan үзгүлтүксүз өлчөнгөн температура ve электр маалыматтарына karşı doğrulanmamıştır. Eğitim ve test hedefleri aynı EnergyPlus modelinden üretilmiştir. Dolayısıyla çalışma, fizik bilgili ağın gerçek binadaki sıcaklığı 0,091 °C hatayla tahmin ettiğini değil, kalibre edildiği belirtilen simülasyon modelinin çıktısını bu hatayla yeniden oluşturduğunu göstermektedir.

Kaynağın fiziksel tutarlılık değerlendirmesinde de önemli açıklık sorunları vardır. Enerji dengesi denklemlerinde farklı birimler açık dönüşüm olmadan birleştirilmiş, физика калдыгыnın standart sapması yaklaşık \(1{,}39\times10^8\) kW olarak raporlanmış ve buna rağmen sapmalar küçük olarak yorumlanmıştır. Grafiklerde negatif soğutma tüketimi tahminleri ve raporlanan RMSE ile uzlaştırılması güç bazı büyük sapmalar bulunmaktadır.

Bu nedenle çalışma, gerçek bina uygulamasına hazır ve doğrulanmış bir санарип эгиз sunmamaktadır. Daha doğru tanım, tarihî yapılarda sentetik bina simülasyonu verilerini hızlı biçimde taklit etmek ve энергия балансыni eğitim düzenleyicisi olarak kullanmak üzere geliştirilmiş umut verici bir yöntem gösterimidir.

Түркия жагынан баалоо: Türkiye’de tarihî kamu yapıları, müzeler, idari binalar, hanlar, konaklar ve tescilli yapılar enerji yenilemesi sırasında benzer коргоо чектөөлөрүyla karşılaşmaktadır. Fizik bilgili modeller, yoğun sensör yerleştirmenin mümkün olmadığı yapılarda bina enerji simülasyonlarının daha hızlı çalışan tahmin araçlarına dönüştürülmesi açısından değerlidir. Ошентсе да İtalya’daki tek binadan ve yalnız yaz döneminden üretilen model Türkiye’ye doğrudan aktarılamaz. Yerel iklim, taş veya tuğla türü, терезе касиеттери, көлөкөлөө, колдонуучу жүрүм-туруму, HVAC sistemi ve koruma kararları yeniden tanımlanmalı; sonuçlar чыныгы эсептегичтер ve көз карандысыз ички чөйрө сенсорлоруyle doğrulanmalıdır.

Изилдөөнүн негизги суроосу эмне?

Araştırmanın temel sorusu, sürekli ve kapsamlı saha verisinin bulunmadığı tarihî bir binada бир саат кийинки iç ortam оперативдүү температураны ile муздатуу электр керектөөсүnin fizik kurallarıyla desteklenmiş bir sinir ağı kullanılarak tahmin edilip edilemeyeceğidir.

Изилдөөчүлөр üç temel soruna çözüm aramıştır:

• Tarihî yapılarda sensör ve enerji verisinin sınırlı olması,
• Geleneksel makine öğrenmesi modellerinin fiziksel olarak olanaksız sonuçlar üretebilmesi,
• EnergyPlus gibi ayrıntılı bina enerji modellerinin gerçek zamanlı kontrol için tekrar tekrar çalıştırılmasının hesaplama maliyeti.

Önerilen çözüm, ayrıntılı simülasyonu tamamen ortadan kaldırmamaktadır. Önce EnergyPlus modeli kullanılarak eğitim verisi üretilmekte, ardından sinir ağı bu simülasyonun daha hızlı çalışan bir vekil modeli hâline getirilmektedir.

Tarihî yapılarda enerji tahmini neden zordur?

Tarihî binalar modern yapılardan farklı olarak standartlaştırılmış malzeme ve detaylara sahip değildir. Yapım dönemine özgü taş, tüf, tuğla, ahşap, harç ve döşeme sistemleri günümüzdeki ürün kataloglarında bulunmayabilir. Yapı katmanları sonradan yapılan müdahalelerle değişmiş, arşiv belgeleri eksilmiş veya yapı elemanlarına fiziksel erişim kısıtlanmış olabilir.

Koruma mevzuatı da ölçüm ve yenileme seçeneklerini sınırlar. Duvar içine sensör yerleştirmek, pencereyi değiştirmek, cepheyi yalıtmak veya özgün yüzeyleri açmak tarihî değere zarar verebilir. Bu nedenle ayrıntılı veri toplama modern bir ofis binasına göre daha zor ve pahalıdır.

Öte yandan kalın yığma duvarların жогорку жылуулук массасыsi, dış hava değişimlerinin iç ortama gecikmeli ulaşmasına neden olur. Kullanıcı sayısı, pencere açılması, күн жылуулук түшүмү, ekipman yükü ve mekanik soğutma aynı anda değiştiğinde оперативдүү температура ile enerji talebi arasında doğrusal olmayan ve zaman gecikmeli ilişkiler oluşur.

Operatif sıcaklık nedir?

Operatif sıcaklık, yalnızca iç hava sıcaklığını değil, çevredeki yüzeylerden gelen ortalama нурланууsal sıcaklığın etkisini de temsil eden bir ısıl konfor büyüklüğüdür. Düşük hava hızlarında çoğunlukla hava sıcaklığı ile ortalama нурланууsal sıcaklığın ağırlıklı birleşimi olarak düşünülebilir.

Tarihî bir binada kalın duvarların ve döşemelerin yüzey sıcaklıkları iç hava sıcaklığından farklı olabilir. Bu nedenle hava sıcaklığı tek başına kullanıcıların hissettiği termal ortamı tam olarak açıklamayabilir. Изилдөө, konfor tahmininin hedefi olarak bu nedenle оперативдүү температураны kullanmıştır.

физика маалымдуу нейрон тармагы nedir?

Geleneksel bir sinir ağı, girdiler ile hedef değerler arasındaki istatistiksel ilişkiyi öğrenir. Eğitim sırasında tahmin hatası küçüldükçe model başarılı kabul edilir. Ancak bu yaklaşım, энергиянын сакталуусу veya жылуулук өткөрүү gibi fiziksel koşulları otomatik olarak garanti etmez.

физика маалымдуу нейрон тармагыnda toplam kayıp iki ana parçadan oluşur:

\[ L_{\mathrm{total}} = \lambda_{\mathrm{data}}L_{\mathrm{data}} + \lambda_{\mathrm{physics}}L_{\mathrm{physics}} \]

Burada:

• \(L_{\mathrm{data}}\), tahmin edilen değerle referans değer arasındaki veri hatasıdır.
• \(L_{\mathrm{physics}}\), tahminlerin tanımlanan энергия балансы denkleminden ne kadar saptığını ölçen физика калдыгыdır.
• \(\lambda_{\mathrm{data}}\) ve \(\lambda_{\mathrm{physics}}\), iki kaybın eğitimdeki göreli ağırlıklarıdır.

Amaç, yalnızca referans veri noktalarına yaklaşan değil, aynı zamanda tanımlanmış fizik denklemiyle de uyumlu sonuç üreten bir ağ oluşturmaktır.

Изилдөөda incelenen tarihî bina hangisidir?

Örnek yapı, Bari kentinde deniz kıyısında bulunan ZAT казармасы’dır. 1930’ların başında Падышалык аба күчтөрү 4. аймактык аба мейкиндиги штабы olarak inşa edilmiştir ve günümüzde коомдук кеңсе olarak kullanılmaktadır.

Изилдөөnın 7. sayfasındaki Şekil 3; İtalya, Puglia ve Bari ölçeklerindeki konumu, uydu görüntüsündeki yapı yerleşimini ve denize bakan tarihî ana cepheyi birlikte göstermektedir. Yapının iki kuleyle vurgulanan simetrik ve anıtsal bir cephesi bulunmaktadır.

Yapı kabuğunun ısıl özellikleri nelerdir?

Yapı elemanlarının ısıl geçirgenlik değerleri arşiv projeleri, görsel incelemeler ve standart termofiziksel veri tabanları kullanılarak yeniden oluşturulmuştur. Yerinde ısı akısı ölçümüyle doğrudan U-değeri testi yapılmamıştır.

8. sayfadaki Şekil 4, dış duvar, döşeme, çatı ve pencere katmanlarının şematik kesitlerini ve hesaplanan ısıl geçirgenliklerini göstermektedir.

Dış duvarlar ve beton döşemeler yüksek ısı depolama kapasitesi sağlamaktadır. Etkin toplam ısıl kapasite şu bağıntıyla hesaplanmıştır:

\[ C=\sum_i \rho_i c_{p,i}V_i \]

Burada \(\rho_i\) malzeme yoğunluğunu, \(c_{p,i}\) özgül ısı kapasitesini ve \(V_i\) hacmi göstermektedir. Yapı için hesaplanan toplam etkin ısıl kapasite:

\[ C=1{,}1286\times10^9\ \mathrm{J/K} \]

olarak verilmiştir.

Isıtma, soğutma ve желдетүү sistemi nasıldır?

Isıtma, tahmini mevsimsel verimi yaklaşık %85 olan dizel kazan, siyah çelik dağıtım boruları ve dökme demir radyatörlerle sağlanmaktadır. Kullanım sıcak suyu ayrı bir kazan devresinden karşılanmaktadır.

Ofis alanlarının soğutulmasında katlara göre bölgelendirilmiş değişken soğutucu akışkan debili sistemler kullanılmaktadır. Enerji modelinde nominal soğutma performans katsayısı 3,2 olarak kabul edilmiştir.

Doğal желдетүүnın, iç sıcaklık 25–29 °C aralığındayken ve dış hava en az 1 °C daha soğukken etkinleştiği belirtilmiştir. Hava sızıntısı için ana metinde 0,8 h⁻¹ değeri verilmiştir.

Ancak eklerdeki желдетүү değerleri birbiriyle uyumlu değildir:

Bu değerlerin farklı model bölgelerini, farklı işleyiş durumlarını veya veri işleme aşamalarını temsil edip etmediği açıklanmamıştır.

Eğitim verisi nasıl üretilmiştir?

Bina geometrisi, yapı kabuğu, kullanıcı programları, aydınlatma, ekipman yükleri, желдетүү ve HVAC özellikleri DesignBuilder ortamında modellenmiş ve hesaplamalar EnergyPlus motoruyla yürütülmüştür.

Bari-Palese için IGDG iklim verileri kullanılarak haziran, temmuz ve ağustos aylarını kapsayan saatlik simülasyon yapılmıştır. Üç aylık dönem:

\[ 92\ \mathrm{gün}\times24\ \mathrm{saat}=2208\ \mathrm{saat} \]

veri üretmiştir.

Veriler zaman sırası korunarak iki bölüme ayrılmıştır:

Zaman sırasının korunması, gelecekteki test verilerinin rastgele karıştırma yoluyla eğitim kümesine sızmasını önlemek açısından uygundur. Ancak ayrı bir doğrulama kümesi tutulmamıştır. Optuna’nın eğitim verisi üzerinde nasıl doğrulama yaptığı veya aşırı uyumu nasıl kontrol ettiği ayrıntılı biçimde açıklanmamıştır.

Sentetik veri kullanımı ne anlama gelmektedir?

Sentetik veri, doğrudan fiziksel sensörden değil, bir hesaplama modelinden üretilen veridir. Бул изилдөөda sinir ağının hedeflediği “referans” sıcaklık ve elektrik değerleri EnergyPlus simülasyonundan gelmektedir.

Bu yaklaşım, коргоо чектөөлөрү nedeniyle sürekli ölçüm yapılamayan bir tarihî bina için yöntem geliştirmeyi kolaylaştırmaktadır. Ancak sinir ağı gerçek binanın bilinmeyen bütün davranışını değil, EnergyPlus modeline kodlanan varsayımları öğrenmektedir.

Örneğin kullanıcıların pencere açma davranışı, sensör hatası, VRF arızası, bakım eksikliği, yerel көлөкөлөө, nem etkisi veya beklenmeyen kullanım değişikliği EnergyPlus modeline doğru biçimde girilmediyse sinir ağı da bunları öğrenemez.

Bina enerji modeli nasıl kalibre edilmiştir?

Kaynağa göre имарат энергия модели 2022–2024 dönemine ait doğal gaz ve elektrik tüketimleri, arşiv belgeleri, dönemsel sıcaklık ölçümleri ve kullanıcı geri bildirimleri kullanılarak kalibre edilmiştir. ASHRAE Guideline 14–2023 ile IPMVP Seçenek D yöntemlerinin izlendiği belirtilmiştir.

Ошентсе да çalışma aşağıdaki kalibrasyon kanıtlarını ayrıntılı biçimde sunmamaktadır:

• Ölçülen ve hesaplanan aylık enerji tüketim tablosu,
• Bina enerji modeli için elde edilen aylık veya saatlik NMBE,
• Bina enerji modeli için elde edilen CVRMSE,
• Dönemsel iç sıcaklık ölçümleri ile simülasyon karşılaştırması,
• Belirsiz parametrelerin kalibrasyon öncesi ve sonrası değerleri,
• Kalibrasyonun eğitim döneminden bağımsız doğrulama dönemi.

Dolayısıyla simülasyonun gerçek binayı yeterince temsil ettiği yönündeki açıklama kabul edilse bile okuyucu bu uygunluğu yayımlanan sayısal sonuçlardan bağımsız olarak yeniden değerlendirememektedir.

Birinci aşama оперативдүү температураны nasıl tahmin etmektedir?

Birinci aşama, \(t\) anındaki termal ve çevresel girdileri kullanarak \(t+1\) saatindeki оперативдүү температураны tahmin etmektedir.

Изилдөөnın 10. sayfasındaki Şekil 6, birinci aşamanın başlıca girdilerini şu şekilde göstermektedir:

• Dış hava sıcaklığı \(T_{\mathrm{out}}\),
• Doğal желдетүү ve sızıntı \(ACH\),
• Kullanıcı kaynaklı iç kazanç \(Q_{\mathrm{occ}}\),
• Güneş kazancı \(Q_s\),
• Duyulur муздатуу жүгү \(Q_{\mathrm{cool}}\),
• Mevcut оперативдүү температура \(T_o\),
• Etkin ısıl kapasite \(C\),
• Toplam ısı transfer katsayısı \(H\),
• Zaman ve sıcaklık değişim türevleri.

Hedef değişken:

\[ T_{o,t+1} \]

olarak tanımlanmıştır.

Birinci aşamadaki enerji denklemi nedir?

Kaynakta sıcaklık modeli için verilen denklem şöyledir:

\[ \alpha C\frac{\partial T_o}{\partial t} = \beta\left(Q_{\mathrm{cool}}+Q_s+Q_{\mathrm{occ}}\right) - \gamma H\left(T_o-T_{\mathrm{out}}\right)\partial t \]

Burada:

• \(C\), etkin ısıl kapasitedir.
• \(T_o\), оперативдүү температураtır.
• \(Q_{\mathrm{cool}}\), муздатуу жүгүdür.
• \(Q_s\), күн жылуулук түшүмүdır.
• \(Q_{\mathrm{occ}}\), kullanıcı kaynaklı iç ısı kazancıdır.
• \(H\), bina kabuğunun toplam ısı transfer katsayısıdır.
• \(T_{\mathrm{out}}\), сырткы аба температурасыdır.
• \(\alpha\), \(\beta\) ve \(\gamma\), Optuna ile ayarlanan ölçek katsayılarıdır.

Kaynakta \(Q\) terimleri kWh, \(C\) J/K, \(H\) W/K ve sıcaklık türevi saatlik zaman ölçeğinde verilmiştir. Eşitliğin bütün terimlerini ortak enerji veya güç birimine dönüştüren açık katsayılar gösterilmemiştir.

Ayrıca son ısı kaybı terimi kaynakta \(\partial t\) ile çarpılmış görünmektedir. Bu işaretin zaman integrali, zaman adımı veya dizgi hatası olup olmadığı açıklanmamıştır. Denklem bu nedenle kaynakta yazıldığı biçimiyle boyutsal olarak tek anlamlı değildir.

Tablo A.1’de муздатуу жүгү −293,50 ile 0 kWh arasında verilmiştir. Denklemde \(Q_{\mathrm{cool}}\) diğer kazançlara “artı” işaretiyle eklenmiştir. Negatif değer kullanılıyorsa bu, soğutmanın enerjiyi bölgeden uzaklaştırmasını temsil edebilir; ancak işaret kuralı metinde açıkça tanımlanmamıştır.

Fizik kaybı nasıl kullanılmaktadır?

Operatif sıcaklık modeli için toplam kayıp ana metinde şu biçimde tanımlanmıştır:

\[ L_{\mathrm{total}} = 0{,}8L_{\mathrm{data}} + 0{,}2L_{\mathrm{physics}} \]

\(L_{\mathrm{data}}\), tahmin edilen ve EnergyPlus tarafından hesaplanan sıcaklık arasındaki ortalama kare hatadır. \(L_{\mathrm{physics}}\), ağın tahmini enerji denklemine yerleştirildiğinde kalan artığın karesine dayanmaktadır.

Ancak Ek A.5’te aynı model için kayıp ağırlıkları 0,5 veri ve 0,5 fizik olarak verilmiştir. Hangi ağırlığın nihai sonuçlarda kullanıldığı kaynak üzerinden kesin olarak belirlenememektedir.

Optuna hangi parametreleri belirlemiştir?

Kaynağa göre Tree-structured Parzen Estimator kullanan Optuna ile 50 deneme gerçekleştirilmiş, her deneme 500 dönem eğitilmiş ve yakınsama çoğunlukla 20–25 deneme içinde sağlanmıştır.

Ana metin \(\beta\) için \(10^{-6}\)–\(10^{-2}\), Ek A.4 ise \(10^{-6}\)–\(10^{-3}\) arama aralığı vermektedir. Sonuç değer iki aralığın da içinde olsa da uygulanan gerçek arama uzayı belirsizdir.

Yöntem akışının ilk açıklamasında öğrenme oranı, katman sayısı ve nöronların da optimize edildiği belirtilmiştir. Buna karşılık Ek A.4, tam mimari hiperparametre optimizasyonu yapılmadığını açıkça söylemektedir.

Sinir ağının mimarisi nasıldır?

Üç ağın ortalamasının alınması rastgele başlangıçlara duyarlılığı azaltabilir. Ardından uygulanan сызыктуу регрессия düzeltmesi sistematik yanlılığı azaltmaktadır.

Ancak düzeltme katsayısının yalnızca eğitim kümesinden mi hesaplandığı belirtilmemiştir. Test hedefleri kullanılarak hesaplandıysa veri sızıntısı oluşur. Kaynak bu kritik ayrıntıyı açık biçimde sunmamaktadır.

İkinci aşama муздатуу электр керектөөсүni nasıl tahmin etmektedir?

İkinci aşamada birinci ağın ürettiği \(T_{o,t+1}\) tahmini yeni bir girdi olarak kullanılmakta ve бир саат кийинки муздатуу электр керектөөсү hesaplanmaktadır:

\[ E_{\mathrm{el,cool},t+1} \]

Bu aşamadaki girdiler arasında mevcut ve tahmin edilen оперативдүү температура, sıcaklık türevi, сырткы аба температурасы, күн жылуулук түшүмү, aydınlatma, genel aydınlatma, cihaz yükleri, HVAC fan gücü ve hava değişimi bulunmaktadır.

Aydınlatma ve cihazlar için verilen yüzeysel güç yoğunlukları tarihî bir ofis binası açısından oldukça yüksek üst değerlere sahiptir. Bu üst sınırların bütün bina toplamlarının yüzey alanına dönüştürülmesinden mi, standartlaştırma öncesi geçici değişkenlerden mi kaynaklandığı açıklanmamıştır.

Soğutma modelinin fizik denklemi nedir?

İkinci aşamada kaynakta verilen fiziksel ilişki şöyledir:

\[ \alpha C\frac{\partial T_o}{\partial t} = \beta\left( Q_{\mathrm{cool}}+ Q_s+ Q_{\mathrm{occ}}+ Q_{\mathrm{vent}} \right) - \delta E_{\mathrm{el,cool}} \]

Bu denklemde soğutma sistemi COP değeri 3,2 kabul edilerek duyulur муздатуу жүгү ile elektrik tüketimi ilişkilendirilmektedir.

Optimum ölçek katsayıları:

olarak bildirilmiştir.

Bu eşitlikte de sol taraf güç boyutunda, bazı sağ taraf terimleri kWh ve elektrik tüketimi kWh birimindedir. Bir saatlik zaman adımı nedeniyle enerji ile ortalama güç sayısal olarak ilişkilendirilebilir; ancak kaynak bu dönüşümü denklemde açık biçimde göstermemektedir.

Daha önemli bir sorun, физика калдыгыnda \(Q_{\mathrm{cool}}\) kullanılmasıdır. Soğutma elektrik tüketimi zaten duyulur муздатуу жүгү ve COP üzerinden doğrudan hesaplanabilen bir büyüklüktür. Eğer EnergyPlus tarafından üretilen aynı saate ait муздатуу жүгү fizik kaybında kullanılmışsa, model tahmin etmesi gereken hedefle çok yakın ve kısmen deterministik bir bilgiye erişmektedir. Bunun gerçek zamanlı kullanımda önceden bilinen bir girdi olup olmadığı açıklanmamıştır.

Modelin оперативдүү температура başarısı nedir?

12. sayfadaki Şekil 7, test döneminin yaklaşık 400 saatinde tahmin edilen ve EnergyPlus tarafından üretilen оперативдүү температура eğrilerini göstermektedir. İki çizgi çoğu saat için birbirine çok yakındır; farklar hızlı sıcaklık değişimleri ve bazı tepe noktalarında artmaktadır.

13. sayfadaki Şekil 8’de tahminler ideal 1:1 çizgisinin çevresinde yoğunlaşmaktadır. Şekil 9 ise sıcaklık artıklarının sıfır çevresinde toplandığını göstermektedir.

Metne göre artıkların:

• %79,7’si ±0,10 °C içinde,
• %99,73’ü ±0,5 °C içinde

kalmıştır. Şekil lejantında ikinci oran %99,77 olarak görünmektedir. Bu küçük fark kaynakta açıklanmamıştır.

±0,5 °C sınırı çalışma tarafından konfor toleransıyla ilişkilendirilmiştir. Ancak modelin hedefi gerçek kullanıcı konfor oyu değil, EnergyPlus оперативдүү температураныdır. Dolayısıyla bu sonuç kullanıcıların %99’dan fazlasının konforlu olduğu anlamına gelmemektedir.

Modelin soğutma tüketimi başarısı nedir?

14. sayfadaki Şekil 10, yaklaşık 400 saatlik dönemde soğutma tüketiminin açılıp kapanmasını ve yüksek yük dönemlerini göstermektedir. Tahmin eğrisi genel zamanlamayı izlemektedir. Ошентсе да bazı düşük yük dönemlerinde tahminlerin sıfırın altına indiği görülmektedir.

Elektrik tüketimi fiziksel olarak negatif olamayacağı için bu sonuç model çıkışında pozitiflik kısıtı uygulanmadığını göstermektedir. Negatif değerlerin sonradan sıfıra kırpılıp kırpılmadığı belirtilmemiştir.

Aynı sayfadaki Şekil 11’de çoğu nokta 1:1 çizgisine yakın olsa da aşağıdaki belirgin yapılar bulunmaktadır:

• Düşük simülasyon değerlerinde yaklaşık 45–60 kWh tahmin edilen dikey nokta kümeleri,
• 40–50 kWh simülasyon değerlerinde yaklaşık 10–25 kWh tahmin edilen düşük kümeler,
• Yüksek tüketim uçlarında ideal çizgiden uzaklaşan noktalar.

Bu büyüklükteki sapmaların aynı 442 noktalık test kümesinde bulunması hâlinde 2,12 kWh RMSE ile nasıl birlikte oluştuğu ham veriler olmadan doğrulanamamaktadır. Kaynak saçılım grafiğinin kullandığı örnek kümesini ve metrik hesabıyla ilişkisini yeterince açıklamamıştır.

15. sayfadaki hata ısı haritasında da bazı saatlerde 8,3, 13,2, 14,3 ve 30,2 kWh gibi ortalama saatlik hatalar görülmektedir. Hatalar özellikle sabah ve öğleden sonra yükün hızla yükseldiği saatlerde yoğunlaşmaktadır.

Soğutma talebi ile sıcaklık her zaman birlikte mi artmaktadır?

Kaynak iki özel zamanı incelemiştir:

Kaynak bu değerleri metinde “anlık güç” olarak kW, model hedefi ve tablolarında ise kWh cinsinden vermektedir. Saatlik enerji ile bir saatlik ortalama güç sayısal olarak aynı büyüklüğe sahip olabilir; ancak kavramların birbirinin yerine kullanılması birim açıklığı sorunu oluşturmaktadır.

Gece sıcaklık görece yüksek kalırken soğutma tüketiminin sıfıra yaklaşması, binanın ısıl ataleti ve HVAC çalışma programıyla açıklanmıştır. Bu gözlem, yüksek sıcaklığın her saatte yüksek soğutma tüketimi anlamına gelmediğini göstermektedir.

Ancak çalışma, fizik kısıtının nedensellik ile korelasyonu birbirinden ayırdığını ileri sürmektedir. Bir sinir ağının bu iki zaman serisini doğru tahmin etmesi tek başına nedenselliği kanıtlamaz. Nedensellik için müdahale, kontrollü deney veya özel nedensel çıkarım tasarımı gerekir.

Fiziksel tutarlılık nasıl sınanmıştır?

Modelin fiziksel tutarlılığı, энергия балансы denklemine ait noktasal artıkların dağılımıyla değerlendirilmiştir. 15. sayfadaki Şekil 13, veri ve fizik kayıplarının 3000 dönem boyunca azaldığını göstermektedir.

Fizik artığının standart sapması şu bağıntıyla hesaplanmıştır:

\[ \sigma= \sqrt{ \frac{1}{N} \sum_{i=1}^{N} (r_i-\bar r)^2 } \]

Kaynakta sonuç:

\[ \sigma=1{,}39\times10^8\ \mathrm{kW} \]

olarak verilmiştir. 16. sayfadaki Şekil 14’ün yatay ekseni de \(10^8\) ölçeğindedir ve lejantta yaklaşık ±\(1{,}38\times10^8\) kW görünmektedir.

Bu değer çalışma tarafından küçük sapma ve fiziksel tutarlılık göstergesi olarak yorumlanmıştır. Ancak yüz milyon kilovatlık artık, incelenen binanın yaklaşık onlarca kilovat düzeyindeki soğutma talebinden birçok mertebe büyüktür.

Aşağıdaki olasılıklar kaynakta açıklanmamıştır:

• Artığın standartlaştırılmış veya ölçeklenmiş uzayda hesaplanıp yanlış birimle etiketlenmesi,
• Joule, watt, saat ve kilovatsaat dönüşümünün eksik uygulanması,
• Grafik ekseninde bilimsel gösterim veya birim yazım hatası,
• Fizik kaybının karesel veya ölçeklenmiş değerinin fiziksel güç gibi sunulması.

Artıkların ortalamasının sıfıra yakın olması yalnızca pozitif ve negatif hataların birbirini dengelediğini gösterir. Bu durum tek tek zaman adımlarındaki энергия балансыnin küçük olduğunu kanıtlamaz.

Ayrıca herhangi bir dağılım için standart sapmanın bulunması, değerlerin otomatik olarak %68,27’sinin ±1 standart sapma içinde kaldığını göstermez. Bu oran yalnız normal dağılım varsayımı altında geçerlidir. Kaynak dağılımı yaklaşık normal kabul etmiş, fakat normalite testi raporlamamıştır.

PINN geleneksel modellerden ne kadar başarılıdır?

PINN için bildirilen göreli RMSE azalmaları aritmetik olarak tablolarla uyumludur:

Ошентсе да karşılaştırma tablolarındaki MLP, Random Forest ve сызыктуу регрессия değerleri iki farklı hedef için olağan dışı ölçüde aynıdır. Örneğin sıcaklık için 2,866 °C olan MLP RMSE’si enerji tablosunda 2,87 kWh; 6,703 °C olan сызыктуу регрессия sonucu 6,70 kWh olarak tekrarlanmıştır. CVRMSE, MBE ve NMBE değerleri de aynı sırayla tekrarlanmıştır.

İki hedefin ölçeği, birimi ve zaman serisi tamamen farklı olduğundan bütün temel modellerin aynı hata sayılarını üretmesi düşük olasılıklıdır. Bu durum sonuçların yeniden kontrol edilmesini gerektiren olası raporlama veya tablo kopyalama sorunudur.

Ayrıca PINN üç ağın ortalamasını ve doğrusal son düzeltmeyi kullanırken karşılaştırma modellerine aynı topluluk ve düzeltme işlemlerinin uygulanıp uygulanmadığı belirtilmemiştir. MLP ve Random Forest hiperparametreleri de ayrıntılı olarak verilmemiştir. Bu nedenle karşılaştırmanın bütünüyle eşdeğer model karmaşıklığı altında yapıldığı doğrulanamamaktadır.

Model gerçekten daha az veriye ihtiyaç duyuyor mu?

Изилдөө fizik bilgisinin veri ihtiyacını azalttığını savunmaktadır. Ancak model 1766 saatlik sentetik eğitim verisi kullanmıştır ve aşağıdaki az-veri deneyleri yapılmamıştır:

• Eğitim verisinin %10, %25 veya %50’ye düşürülmesi,
• PINN ve geleneksel modellerin farklı veri miktarlarında karşılaştırılması,
• Sensör sayısının azaltıldığı senaryolar,
• Eksik veya gürültülü veri deneyleri,
• Başka mevsim veya binaya sıfırdan aktarım.

Bu nedenle çalışma, fizik bilgili ağın incelenen simülasyon veri kümesinde daha başarılı olduğunu göstermektedir; daha az veriye ihtiyaç duyduğunu deneysel olarak göstermemektedir.

Model başka tarihî binalara aktarılabilir mi?

Kaynak, termofiziksel girdiler değiştirilerek başka tarihî yapılara uyarlanabileceğini ileri sürmektedir. Ancak ağ yalnız Bari’deki tek bir bina ve tek bir yaz dönemiyle eğitilmiştir.

Başka bir yapıya aktarım için en azından şu unsurların yeniden belirlenmesi gerekir:

• Yapı geometrisi ve bölgeleme,
• Duvar, çatı, pencere ve döşeme katmanları,
• Isıl kapasite ve toplam ısı transfer katsayısı,
• İklim verisi, güneş yönelimi ve көлөкөлөө,
• Kullanıcı ve ekipman programları,
• Doğal желдетүү davranışı,
• HVAC sistemi ve COP değişimi,
• Yeni EnergyPlus kalibrasyonu,
• Fizik katsayılarının ve ağın yeniden eğitimi.

Dolayısıyla yalnızca birkaç termofiziksel sayı değiştirilerek doğrudan aktarım yapıldığı bu çalışma tarafından gösterilmemiştir.

Dijital ikiz ve имарат башкаруу системасы kullanımı ne anlama gelmektedir?

Bir kez eğitildikten sonra sinir ağı, ayrıntılı EnergyPlus simülasyonuna göre daha hızlı tahmin üretebilir. Bu özellik modelin санарип эгиз, имарат башкаруу системасы ve модель алдын ала башкаруу uygulamalarında kullanılabilmesini teorik olarak mümkün kılmaktadır.

Örneğin bir имарат башкаруу системасы бир саат кийинки sıcaklık ve soğutma talebini öngörerek:

• Soğutmayı yoğun saatten önce sınırlı biçimde başlatabilir,
• Elektrik tepe talebini azaltabilir,
• Doğal желдетүү ile mekanik soğutma arasında seçim yapabilir,
• Konfor dışına çıkma riskini yöneticilere bildirebilir.

Ancak çalışmada model gerçek bir bina otomasyon sistemine bağlanmamış, çevrim içi tahmin gecikmesi ölçülmemiş ve kontrol komutlarının enerji veya konfor üzerindeki etkisi deneysel olarak sınanmamıştır.

Изилдөөnın desteklediği sonuçlar nelerdir?

• Tanımlanan PINN, EnergyPlus kaynaklı test verisindeki оперативдүү температура örüntüsünü çok düşük istatistiksel hatayla yeniden üretmiştir.
• İki aşamalı model, sıcaklık tahminini soğutma tüketimi tahminine girdi olarak kullanabilmiştir.
• Enerji tüketimi zaman serisinin genel açılma, kapanma ve tepe dönemleri yakalanmıştır.
• Veri ve fizik terimlerinin birlikte kullanıldığı kayıp fonksiyonu eğitim sırasında azalmıştır.
• Optuna ile fizik katsayıları için sayısal bir optimum kümesi bulunmuştur.
• Model, kaynakta raporlanan karşılaştırma modellerinden daha düşük hata vermiştir.
• Yüksek ısıl kütle nedeniyle sıcaklık ve soğutma talebinin tepe zamanlarının her zaman çakışmadığı görülmüştür.
• Eğitilmiş ağın simülasyonu yeniden çalıştırmadan bir saat ileri tahmin üretmesi yöntemsel olarak mümkündür.

Изилдөө эмнени далилдебейт?

• Gerçek binanın оперативдүү температураныnın 0,091 °C hatayla tahmin edildiğini göstermemektedir.
• Gerçek elektrik sayacının 2,12 kWh hatayla tahmin edildiğini göstermemektedir.
• Modelin gerçek sensör gürültüsü ve колдонуучу жүрүм-туруму altında aynı başarıyı koruduğunu göstermemektedir.
• Fizik kısıtının boyutsal olarak doğru ve küçük artık ürettiğini açık biçimde göstermemektedir.
• Modelin gerçek энергиянын сакталуусу ihlalini önlediğini göstermemektedir.
• Negatif enerji tahminlerini engellediğini göstermemektedir.
• PINN’in az veri koşulunda geleneksel modellere üstün olduğunu doğrudan sınamamaktadır.
• Başka bir bina veya iklime genellenebilirliği doğrulamamaktadır.
• Gerçek zamanlı санарип эгиз veya имарат башкаруу системасы uygulamasını göstermemektedir.
• Model öngörülü kontrolün enerji tasarrufu sağladığını ölçmemektedir.
• Soğutma tüketimi tahmininin bütün yıl veya ısıtma sezonu için geçerli olduğunu göstermemektedir.
• Koruma kararlarının veya fiziksel yenileme seçeneklerinin otomatik olarak belirlenebileceğini göstermemektedir.

Изилдөөнүн күчтүү жактары кайсылар?

• Tarihî yapıların veri kısıtına odaklanan açık bir uygulama problemi seçilmiştir.
• Operatif sıcaklık ve soğutma tüketimi ardışık iki hedef olarak ele alınmıştır.
• Bina geometrisi, kabuk özellikleri, HVAC ve kullanıcı programları tek enerji modeli içinde birleştirilmiştir.
• Veriler rastgele karıştırılmadan zaman sırası korunarak test edilmiştir.
• Enerji dengesi ağın eğitim kaybına eklenmiştir.
• Optuna tabanlı fizik katsayısı optimizasyonu uygulanmıştır.
• Üç farklı başlangıçla topluluk tahmini kullanılmıştır.
• RMSE yanında CVRMSE, MBE ve NMBE raporlanmıştır.
• Zaman serisi, saçılım, hata dağılımı ve saatlik hata ısı haritası sunulmuştur.
• Modelin sentetik veriyle sınırlı olduğu yazarlar tarafından açıkça kabul edilmiştir.
• Veri ve kodun makul talep üzerine paylaşılacağı bildirilmiştir.
• Изилдөө hakemli ve açık erişimli dergide yayımlanmıştır.

Изилдөөнүн чектөөлөрү кайсылар?

• Yalnızca tek bir tarihî bina incelenmiştir.
• Yalnızca haziran–ağustos dönemi modellenmiştir.
• Model gerçek sürekli saha verisiyle eğitilmemiştir.
• Test hedefleri de EnergyPlus simülasyonundan gelmektedir.
• Bina enerji modeli kalibrasyon metrikleri ayrıntılı olarak sunulmamıştır.
• Yerinde U-değeri ölçümü yapılmamıştır.
• Enerji dengesi denklemleri boyutsal olarak açık değildir.
• Sıcaklık denkleminde ek \(\partial t\) yazımı bulunmaktadır.
• Sıcaklık türevi metinde ters sırayla yazılmıştır.
• Kayıp ağırlıkları 0,8/0,2 ve 0,5/0,5 olarak farklı verilmiştir.
• Optuna arama sınırlarında tutarsızlık bulunmaktadır.
• Mimari hiperparametrelerin optimize edilip edilmediği açıklamalar arasında değişmektedir.
• Ayrı doğrulama kümesi bulunmamaktadır.
• Doğrulama kaybının nasıl hesaplandığı belirsizdir.
• Havalandırma aralıkları kaynak bölümleri arasında uyuşmamaktadır.
• Operatif sıcaklık aralıkları tablolar ve grafikler arasında uyuşmamaktadır.
• Soğutma modeli Optuna dönem sayıları farklı verilmiştir.
• Üç ağ ortalaması ve doğrusal son düzeltme, performansın yalnız fizik kısıtından kaynaklanmasını engellemektedir.
• Doğrusal düzeltmenin test verisine erişip erişmediği açıklanmamıştır.
• Karşılaştırma modellerinin ayrıntılı hiperparametreleri verilmemiştir.
• İki hedef için temel model hata tabloları olağan dışı biçimde aynı sayıları içermektedir.
• Soğutma tahminlerinde negatif değerler görülmektedir.
• Soğutma saçılım grafiği raporlanan RMSE ile görsel olarak tam uyuşmamaktadır.
• Fizik artığının standart sapması bina ölçeğine göre aşırı büyüktür.
• Fizik artığının birimi veya normalizasyon dönüşümü açıklanmamıştır.
• %5–95 hata bandının üretim yöntemi açıklanmamıştır.
• Belirsizlik nicelendirmesi yapılmamıştır.
• Az-veri üstünlüğü için veri azaltma deneyi yapılmamıştır.
• Başka bina, iklim veya mevsimde dış doğrulama yapılmamıştır.
• Dijital ikiz ve kontrol kullanımı yalnız öneri düzeyindedir.
• Veri ve kod açık bir depoda yayımlanmamış, talep üzerine erişime bırakılmıştır.

Türkiye’de hangi yapılarda araştırılabilir?

Yöntem Türkiye’de sürekli izleme altyapısı sınırlı olan şu yapı türlerinde araştırılabilir:

• Tescilli kamu binaları ve idari yapılar,
• Tarihî müzeler ve arşiv yapıları,
• Hanlar, kervansaraylar ve geleneksel çarşı yapıları,
• Taş veya tuğla yığma okul binaları,
• Tarihî konaklar ve kültür merkezleri,
• Koruma altındaki tren istasyonları ve askerî yapılar.

Uygulama için önce yerel binaya özgü enerji modeli kurulmalı, ardından model gerçek ölçümlerle kalibre edilmelidir. Türkiye’de yalnız fatura verisi yeterli görülmemeli; en azından farklı yön ve katlarda operatif veya hava sıcaklığı, dış iklim, HVAC çalışma durumu ve ana elektrik tüketimi eş zamanlı kaydedilmelidir.

Türkiye’ye uyarlama için hangi doğrulamalar gereklidir?

Өткөн, бүгүн жана келечек жагынан мааниси эмне?

Geçmişte tarihî binaların enerji analizi çoğunlukla sabit durum hesapları veya ayrıntılı fakat yavaş dinamik simülasyonlarla yürütülmüştür. Veri eksikliği ve коргоо чектөөлөрү, gerçek zamanlı tahmin sistemlerinin kurulmasını zorlaştırmıştır.

Bugünkü katkı, ayrıntılı имарат энергия моделиnin davranışını daha hızlı çalışan sinir ağına aktarması ve энергия балансыni eğitim düzenleyicisi olarak kullanmasıdır. Bu yaklaşım, simülasyonun tekrar çalıştırılması yerine bir saat ileri hızlı tahmin üretme potansiyeli taşımaktadır.

Gelecekte yöntemin gerçek sensör ve sayaç verileriyle yeniden eğitilmesi, fizik denklemlerinin boyutsal olarak düzeltilmesi, belirsizlik aralıklarının hesaplanması, farklı tarihî yapılarda dış doğrulama yapılması ve bina kontrol sisteminde gerçek enerji tasarrufunun ölçülmesi gerekmektedir.

Изилдөөнүн ыкмасы жана жыйынтыктары

Изилдөө дизайнынын техникалык кыскача мазмуну

Hata ölçütleri nasıl hesaplanmıştır?

Ortalama yanlılık hatası:

\[ MBE= \frac{1}{n} \sum_{i=1}^{n} (P_i-O_i) \]

Normalize edilmiş ortalama yanlılık hatası:

\[ NMBE= \frac{ \sum_{i=1}^{n}(P_i-O_i) }{ n\bar O } \times100 \]

Kök ortalama kare hata:

\[ RMSE= \sqrt{ \frac{1}{n} \sum_{i=1}^{n} (P_i-O_i)^2 } \]

RMSE değişim katsayısı:

\[ CVRMSE= \frac{RMSE}{\bar O} \times100 \]

Burada \(P_i\) model tahminini, \(O_i\) EnergyPlus referans değerini, \(\bar O\) referans ortalamasını ve \(n\) örnek sayısını göstermektedir.

Изилдөө ASHRAE Guideline 14’ün saatlik model değerlendirmesi için NMBE sınırını ±%10, CVRMSE sınırını %30 olarak aktarmıştır. Ancak bu eşikler öncelikle enerji modellerinin ölçülen verilerle kalibrasyonu içindir. PINN’in aynı simülasyon modelini yeniden üretmesindeki düşük hata, имарат энергия моделиnin gerçek yapıya karşı ayrıca doğrulandığı anlamına gelmez.

Operatif sıcaklık sonuçlarının ayrıntılı karşılaştırması

PINN sonucu simülasyon referansına çok yakındır. Ancak MLP ve Random Forest için 2,8 °C civarındaki RMSE, mevcut sıcaklık ve бир саат кийинки sıcaklığın girdi–hedef ilişkisinin güçlü olduğu saatlik bir tahmin problemi için beklenenden yüksektir. Karşılaştırma modellerinin ayarları, gecikmeli sıcaklık girdileri ve eğitim başarıları verilmediğinden bu büyük farkın kaynağı değerlendirilememektedir.

Soğutma tüketimi sonuçlarının ayrıntılı karşılaştırması

MLP, Random Forest ve сызыктуу регрессия satırlarının sıcaklık tablosundaki değerlerin yalnızca yuvarlanmış biçimi olması, sonuç tablosunda doğrulama gerektiren en önemli editoryal sorunlardan biridir.

Kaynak içindeki yöntemsel tutarsızlıklar

Şekillerin kendi başına anlattığı sonuçlar

Жыйынтыктардын тең салмактуу чечмелениши

Изилдөөnın en sağlam sonucu, эки баскычтуу büyük bir ileri beslemeli ağın EnergyPlus tarafından üretilen saatlik sıcaklık ve soğutma örüntüsünü taklit edebilmesidir. Modelin оперативдүү температура eğrisi referans simülasyona belirgin biçimde yakındır.

Soğutma tüketimindeki başarı daha sınırlı olmakla birlikte genel açılma–kapanma programı ve yük eğilimleri yakalanmıştır. Ancak saçılım grafiği, negatif değerler ve yüksek saatlik hatalar performansın tek bir RMSE sayısıyla özetlenemeyeceğini göstermektedir.

“Fizik bilgili” nitelemesi, энергия балансыne ait bir artığın kayıp fonksiyonuna eklenmesine dayanmaktadır. Denklem birimleri, физика калдыгыnın ölçeği ve kaynak içindeki tutarsızlıklar nedeniyle modelin termodinamik olarak doğrulandığı sonucu çıkarılamaz. Daha temkinli tanım, fiziksel ilişkilerle düzenlenmiş bir sinir ağıdır.

Изилдөөnın gerçek uygulama değeri, ayrıntılı bina simülasyonunu hızlı bir vekil modele dönüştürme fikrindedir. Bu potansiyelin saha koşullarında doğrulanması için modelin gerçek ölçümlere, farklı yapılara ve görünmeyen iklim koşullarına karşı sınanması gerekmektedir.

Булак жана ыкма эскертүүсү

Изилдөөnın tam özgün adı: Physics-Informed Neural Networks for predicting indoor temperature and cooling demand in historic buildings

Авторлор ve doğru sıralama: Simona Semeraro; Francesca Vecchi; Roberto Stasi; Umberto Berardi.

Eş birinci yazar: Eş katkı veya eş birinci yazarlık bilgisi belirtilmemiştir.

Sorumlu yazar: Umberto Berardi.

İletişim adresi: umberto.berardi@poliba.it

Kurum: ArCoD – Department of Architecture, Construction, and Design, Polytechnic University of Bari, Bari, Italy.

DOI:10.1016/j.jobe.2025.114392

Resmî kaynak bağlantısı:ScienceDirect resmî makale sayfası

Dergi: Journal of Building Engineering.

Cilt: 115.

Makale numarası: 114392.

Yayın yılı: 2025.

Yayınevi: Elsevier Ltd.

Gönderim tarihi: 29 Mayıs 2025.

Düzeltilmiş sürüm tarihi: 30 Eylül 2025.

Kabul tarihi: 13 Ekim 2025.

Çevrim içi yayımlanma tarihi: 24 Ekim 2025.

Hakemlik durumu: Hakem değerlendirmesinden geçmiş bilimsel araştırma makalesidir.

Açık erişim durumu: CC BY 4.0 lisansı altında açık erişimdir.

Sayfa sayısı: 27.

Kaynak türü: Kalibre edildiği belirtilen dinamik bina enerji simülasyonu, sentetik veri üretimi, fizik bilgili sinir ağı, hiperparametre optimizasyonu ve makine öğrenmesi karşılaştırması içeren araştırma makalesi.

Yazar katkıları:

• Simona Semeraro: Yöntem, araştırma, biçimsel analiz, veri düzenleme ve kavramsallaştırma.
• Francesca Vecchi: Biçimsel analiz, veri düzenleme ve kavramsallaştırma.
• Roberto Stasi: Biçimsel analiz, veri düzenleme ve kavramsallaştırma.
• Umberto Berardi: Finansman temini, biçimsel analiz, veri düzenleme ve kavramsallaştırma.

Finansman: İtalya Üniversite ve Araştırma Bakanlığı tarafından Ulusal İyileşme ve Dayanıklılık Planı kapsamında finanse edilen National Center for Sustainable Mobility projesinin “Digital twin nella gestione di vettori energetici nuovi per l’accoppiamento edificio-trasporti in ambito urbano” çalışmasından destek alınmıştır. Proje kodu CUP D93C22000410001 olarak verilmiştir.

Çıkar çatışması: Авторлор çalışmayı etkileyebilecek bilinen mali çıkar veya kişisel ilişki bulunmadığını beyan etmiştir.

Veri erişimi: Saatlik оперативдүү температура, soğutma enerjisi ve işlenmiş eğitim girdilerinden oluşan simülasyon veri kümesinin sorumlu yazardan makul talep üzerine alınabileceği belirtilmiştir.

Kod erişimi: PINN mimarisi, hiperparametreler ve Optuna optimizasyon betiklerinin araştırma amacıyla talep üzerine paylaşılacağı bildirilmiştir. Herkese açık ve kalıcı bir kod deposu bağlantısı verilmemiştir.

Başlıca kullanılan araçlar: DesignBuilder, EnergyPlus, Python tabanlı makine öğrenmesi araçları, StandardScaler ve Optuna.

Bu Türkçe makale; çalışmanın ana metni, ekleri, энергия балансы denklemleri, veri tabloları, yapı kabuğu şemaları, sinir ağı iş akışları, zaman serileri, hata dağılımları, физика калдыгы grafikleri ve model karşılaştırmaları incelenerek hazırlanmıştır. Изилдөөda bulunmayan dış bilimsel sonuçlar eklenmemiştir. Dış kaynak kontrolü yalnızca çalışmanın resmî bibliyografik kimliği, dergi kaydı, DOI’si ve yayın durumunun doğrulanması amacıyla kullanılmıştır.

Изилдөөnın sonuçları, fizik bilgili ağın gerçek binadaki ölçümleri aynı hatayla tahmin ettiğini göstermemektedir. Tahmin hedefleri kalibre edildiği belirtilen EnergyPlus modelinden üretilmiş sentetik verilerdir. Bu nedenle bildirilen hatalar simülasyon–sinir ağı uyumunu temsil etmektedir.

Kaynağın başlıca teknik açıklık sorunları; enerji denklemlerindeki birim uyuşmazlığı, sıcaklık denklemindeki ek \(\partial t\), ters yazılmış türev ifadesi, farklı kayıp ağırlıkları, farklı Optuna aralıkları, doğrulama kümesi belirsizliği, желдетүү aralığı tutarsızlıkları, farklı dönem sayıları, temel model tablolarında tekrarlanan hata değerleri, negatif soğutma tahminleri ve yaklaşık \(10^8\) kW büyüklüğündeki физика калдыгыdır.

Изилдөө, fiziksel düzenleme içeren sinir ağlarının tarihî bina simülasyonları için hızlı vekil model olabileceğini desteklemektedir. Gerçek saha doğruluğu, az-veri üstünlüğü, başka yapılara aktarılabilirlik, gerçek zamanlı санарип эгиз kullanımı ve enerji tasarrufu henüz doğrulanmamıştır.