Anwendung künstlicher Intelligenz im Green-Building-Konzept für Energieaudits mittels Drohnentechnologie unter verschiedenen Umgebungsbedingungen

Wissenschaftliche Berichte Band 13, Artikelnummer: 8200 (2023) Diesen Artikel zitieren

814 Zugriffe

9 Altmetrisch

Details zu den Metriken

Wärmeverluste durch schwache Gebäudehüllen sind für die aktuellen globalen Energiekrisen verantwortlich. Der Einsatz künstlicher Intelligenz und Drohnen-Setups in grünen Gebäuden kann dazu beitragen, die nachhaltige Lösung zu finden, nach der die Welt seit Jahren strebt. Die aktuelle Forschung beinhaltet ein neuartiges Konzept zur Messung der thermischen Verschleißwiderstände in der Gebäudehülle mit Hilfe eines Drohnensystems. Das obige Verfahren führt eine Analyse des gesamten Gebäudes durch, indem drei wichtige Umweltparameter wie Windgeschwindigkeit (WS), relative Luftfeuchtigkeit (RH) und Trockenkugeltemperatur (DBT) mithilfe eines Drohnen-Wärmekartierungsverfahrens berücksichtigt werden. Die Neuartigkeit der Studie kann durch die Tatsache interpretiert werden, dass frühere Forschungen die Gebäudehülle noch nie durch eine Kombination aus Drohnen- und Klimabedingungen als Variablen in schwer zugänglichen Gebäudebereichen untersucht haben, wodurch eine einfachere, risikofreie, kostengünstige und effiziente Analyse ermöglicht wurde . Die Validierung der Formel wird durch den Einsatz von auf künstlicher Intelligenz basierender Software authentifiziert, die zur Datenvorhersage und -optimierung eingesetzt wird. Es werden künstliche Modelle erstellt, um die Variablen für jeden Output aus der angegebenen Anzahl klimatischer Inputs zu validieren. Die nach der Analyse erreichten paretooptimalen Bedingungen sind 44,90 % relative Luftfeuchtigkeit, 12,61 °C DBT und 5,20 km/h WS. Die Variablen und der Wärmewiderstand wurden mit der Methode der Response-Surface-Methodik validiert, wodurch die niedrigste Fehlerrate und der umfassende R2-Wert von 0,547 bzw. 0,97 erzielt wurden. Der Einsatz drohnenbasierter Technologie zur Schätzung von Abweichungen der Gebäudehülle mit der neuartigen Formel führt künftig zu einer konsistenten und effektiven Bewertung der Entwicklung umweltfreundlicher Gebäude und reduziert gleichzeitig Zeit und Kosten des Experiments.

In jüngster Zeit ist der Energiebedarf erheblich gestiegen, während sich die Ressourcen zur Energieerzeugung erheblich verschlechtert haben. Dies hat Forscher dazu veranlasst, alternative Methoden zur Energieeinsparung zu finden, um den künftigen potenziellen Anforderungen gerecht zu werden. In Indien werden die Gesamtverluste aufgrund der Temperaturschwankungen in der Gebäudehülle auf etwa 41 % des ursprünglichen Energiebedarfs der Gebäude (MOE) geschätzt. Die heutigen Gebäude auf der ganzen Welt sind großen Energieverlusten ausgesetzt, die in erster Linie auf unumkehrbare Umstände zurückzuführen sein können1,2. Es ist bekannt, dass diese Gebäude vor allem in unterentwickelten Ländern und Entwicklungsländern in puncto Effizienz schlechter abschneiden und sich dadurch vom ursprünglichen Design des umweltfreundlichen Bauens unterscheiden. Laut einer aktuellen Studie3 werden etwa 63 % der erzeugten Energie von Wohn- oder Industriegebäuden bezogen. Eine umfassendere Datenerhebung in ganz Indien für das Finanzjahr 2018–2019 schätzte die Gesamtstromproduktion der Versorgungsunternehmen auf etwa 1372 (Tera Watt-h)4. Diese Versorgungseinrichtungen umfassen hauptsächlich Indoor-Aktivitäten wie Kaffeemaschinen, Mikrowelle, Heizung usw.5,6. In Entwicklungsländern haben die Regierungen Schritte unternommen, um diese Exergieverluste durch die Integration intelligenter Systeme in die Gebäude zu reduzieren7. Wenn diese Energie nicht richtig genutzt wird, führt sie zu erheblichen Verlusten für die Wirtschaft eines Landes und die Umwelt8.

Der aktuelle Bedarf besteht darin, wirksame Wege zu finden, um diese Verluste einzudämmen und die Ressourcen für eine fruchtbare Zukunft zu schonen. Eine effektive Möglichkeit, diese Verluste zu überprüfen und zu überwachen, ist die Bewertung der Wärmeverluste durch die Gebäudehülle9,10. Die Gebäudehülle umfasst im Wesentlichen alle Gebäudeaufbauten wie Wände, Decken, Fenster, Trennwände und Türen. Diese Einbauten sind Hauptbestandteile von Wärmeverlusten in einem Gebäude, da die Wärmeenergieübertragung den ganzen Tag über erfolgt, da die klimatischen Bedingungen 24 Stunden lang variieren11,12. Man kann davon ausgehen, dass diese Unterschiede die Hauptursache für Energieverluste sind und somit die Gesamteffizienz des Gebäudes verringern13. In einigen Studien stehen diese Verluste in direktem Zusammenhang mit Gebäudestrukturen mit einer insgesamt schwachen Außenbeschichtung14. Diese Verluste sind auf verschiedene Gebäudeeinbauten zurückzuführen, bei denen an der Außenseite dieser Einbauten möglicherweise eine minderwertige Isolierung angebracht ist. Darüber hinaus neigt die alte Struktur im Laufe der Jahre dazu, schwächer zu werden, was zu erheblichen Energieverlusten führt15. Darüber hinaus kann auch das ständige Eindringen von Außenluft durch verschiedene Risse und Öffnungen den Energiebedarf erhöhen16. Die oben genannten Unstimmigkeiten können durch den Einsatz hochwertigerer Materialien zu Beginn des Baus, die Reparatur bestehender Konstruktionen sowie das Abdichten von Luftspalten und Rissen behoben werden17. Frühere Studien haben Isolierung verwendet, um Energieverluste in Gebäuden zu reduzieren18, was zu einer besseren Energieeffizienz führt und kühlere Luft im Sommer und wärmere Luft im Winter einschließt. Durch die gleichzeitige Reduzierung der thermischen Wärme und des Feuchtigkeitsgehalts in Räumen kann der Energiebedarf gesenkt werden19. In früheren Literaturstellen muss der angegebene Wärmeübertragungskreislauf bewertet werden, um die Gebäudelast und die Energieverluste innerhalb der Gebäudestruktur zu berücksichtigen20,21. Oft wird die Gebäudehülle durch einen einzigen Faktor gesteuert, der als R-Wert bekannt ist und auch als Wärmewiderstand22 bezeichnet wird.

In früheren Fachliteratur wurde die Kombination von Drohnenüberwachung unter dem Einfluss unterschiedlicher klimatischer Bedingungen selten untersucht23,24,25. Die systematische Übersicht von Halder und Afsari25 untersucht den Einsatz von Robotern zur Inspektion und Überwachung von Gebäuden und Infrastruktur. Alkaabi et al.26 schlagen den Einsatz von mit Drohnen erfassten 3D-Wärmebildern zur Überwachung der thermischen Umgebung von Gebäuden und Fußgängerzonen vor, um zur Entwicklung nachhaltiger Städte beizutragen. Kopp et al.27 präsentieren eine Methode zur Schätzung des Strahlungswärmeverlusts von Gebäudehüllen mithilfe von 3D-Thermografiemodellen, die mit kleinen unbemannten Flugsystemen (sUAS) erstellt wurden. Oh et al.28 schlagen ein drohnengestütztes Bildverarbeitungsschema vor, das eine bildbasierte Standortidentifizierung zur Erkennung von Rissen und Energieverlusten in Gebäudehüllen nutzt. Zheng et al.29 stellen eine Methode zur Erkennung der thermischen Leistung von Gebäudehüllen vor, die auf einem 3D-Modell basiert, das durch UAV-Wärmebilder generiert wurde.

Darüber hinaus fanden die Autoren keinen Artikel, der die Ergebnisse der Gebäudeüberwachung durch ein künstlich intelligentes entwickeltes Modell validierte. Es hilft bei der Identifizierung der größten Mängel innerhalb der Gebäudestruktur und hilft darüber hinaus bei der Entwicklung geeigneter Energiesparkonzepte, um die allgemeine Arbeitsleistung jeder strukturellen Struktur zu verbessern30,31. Darüber hinaus hat der Einsatz von Infrarottechnologie in Drohnensystemen in der Vergangenheit zu effektiven Ergebnissen geführt32,33.

Ziel der Studie ist die Einbindung intelligenter Techniken in die Entwicklung einer Formel zur genauen Messung der Wandtemperatur eines Gebäudes mit einer Drohne. Die Forschung wird sich darauf konzentrieren, die Genauigkeit und Zuverlässigkeit des Einsatzes einer Drohne zur Messung von Wandtemperaturen sowie die mit dieser Methode verbundenen Einschränkungen und Herausforderungen zu ermitteln. Die Studie könnte auch die Machbarkeit des Einsatzes von Drohnen für großflächige Temperaturmessungen von Hochhäusern bewerten. Der Umfang der Studie umfasst die Entwicklung einer Formel, die intelligente Techniken zur genauen Messung der Wandtemperatur sowie mögliche Anwendungen und Empfehlungen für zukünftige Forschung in diesem Bereich umfasst. Obwohl mehrere Studien auf dem Gebiet der KI und des umweltfreundlichen Bauens durchgeführt wurden, ist das Auffinden von Diskrepanzen in der Gebäudehülle durch Drohnen immer noch selten und wurde nach Kenntnis der Autoren bisher noch nie untersucht. Die Neuigkeit der vorliegenden Untersuchung ist weit verbreitet, da keinerlei frühere Arbeiten zur Steigerung der Gebäudeleistung und Reduzierung des Stromverbrauchs gemeldet wurden, um ein umweltfreundliches Bauen zu erreichen und gleichzeitig Vorhersagemodelle (ANFIS) aus drohnenbasierten Gebäudeprüfungen unter Berücksichtigung der Umweltschwankungen einzusetzen. Frühere Literatur hat auch die Bedeutung von Soft-Computing-Techniken, vorzugsweise der ANN-Methode, gezeigt, um die Gebäudelast in kürzeren Zeiträumen mit kleineren Datensätzen genau vorherzusagen34. Darüber hinaus wurde in früheren Untersuchungen auch die Methode der Response-Surface-Methodologie (RSM) eingesetzt, da sie geeignet ist, ein praktikables experimentelles Testverfahren zu entwickeln, selbst für ein Problem, bei dem die Datengenerierung insbesondere bei Wolkenkratzern ein Problem darstellen könnte35.

In Bezug auf die oben erläuterten Informationen sind die Forscher zu einer gemeinsamen Ableitungsperspektive gelangt, wie im Folgenden erläutert:

Der Einsatz drohnenbasierter Systeme im Bauwesen zur Schätzung des umweltfreundlichen Bauens durch die Ermittlung des R-Werts stellt eine praktische und vernünftige Möglichkeit dar, die sich auf den unkomplizierten Betrieb und den sozialfreundlichen Zweck bezieht.

Die Untersuchung des Wärmewiderstands für zahlreiche Umgebungsbedingungen bei der Arbeit mit intelligenter Software unter Verwendung einer Kombination aus ANFIS und RSM zusammen wurde in keiner früheren Arbeit untersucht.

Die zur Generierung von Umweltvariablen entwickelte Osama-Formel liefert Datensätze, die denen ähneln, die bei der Durchführung von Echtzeittests für umweltfreundliche Gebäude gewonnen wurden.

Frühere Literatur (insbesondere in den Bereichen Wärmetechnik) hat die Bedeutung der Kombination von Soft-Computing-Prognosedarstellungen für die Messung der Gebäudehüllenenergie hervorgehoben und präzise R-Wert-Merkmale durch geringeren Arbeitsaufwand, geringeren Geldaufwand und geringeren Personalaufwand dargestellt36,37.

Die folgenden Abschnitte umfassen das Datenerfassungsverfahren und die für den Prozess erforderliche Ausrüstung.

Die mit der Forschung verbundene Primärphysik wird durch die Verknüpfung der während des Experiments erzielten Ergebnisse erklärt und durch das entwickelte Modell validiert. Die Haupttheorie der Forschung besteht darin, mithilfe von Drohnen-Wärmebildern Daten aus der schwachen Gebäudehülle zu sammeln. Darüber hinaus werden diese Modelle in verschiedenen Klimazonen simuliert. Die Lektüre wird zur Entwicklung einer Formel verwendet. Die Validierung der Formel erfolgt durch entwickelte KI-Modelle, deren Ergebnisse konsistent sind, da die Genauigkeit zwischen experimentellen Messwerten und entwickelten Modellwerten hoch ist. In der Anfangsphase der Funktionsweise der Betriebsabläufe werden die Eingaben vorab erläutert und anschließend die Ergebnisse der Studie definiert. Die Versuchsuntersuchung wird durch die Auswahl von Umgebungsbedingungen durchgeführt, die Trockenkugeltemperatur (DBT), Windgeschwindigkeit (WS) und relative Luftfeuchtigkeit (RH) umfassen. Für die vorgeschlagenen Eingaben werden der Wärmewiderstand und der Wärmeverlust für die gesamte Gebäudehülle bewertet. Zur Bereitstellung der oben genannten Kriterien wurde eine Kombination von Vorhersage-Optimierungstechniken eingesetzt, die eine vergleichende Analyse zwischen den untersuchten und prognostizierten Messwerten ermöglicht, die in mehreren aufeinanderfolgenden Phasen beschrieben werden: (a) Sammeln von Datensätzen im Zusammenhang mit Untersuchungsdaten und Clustering der Datensätze auf der Grundlage von Training und Testblätter in separater Excel-Datei, (b) Modellerstellung auf der Grundlage von Umgebungsbedingungen, hypothetische Datengenerierung durch die neue Formel namens Osama (c) Erkennung des leistungsstärksten Modells in Software für künstliche Intelligenz zur Bewertung der Darstellung der Gebäudestruktur, (d) Relative Untersuchung der Folgen künstlicher Intelligenz, Untersuchungs- und hypothetische Rahmenbedingungen für die beste Wärmeverlusterkennung unter ihnen und (e) abschließend Vereinfachung und Authentifizierung der Ergebnisse mit vorangegangenen Darstellungen.

Die aktuelle Forschung zielt hauptsächlich darauf ab, den R-Wert verschiedener Einbauten in einem bestehenden Gebäudeaufbau durch experimentelle und theoretische Schätzungen unter verschiedenen Umgebungsbedingungen zu bewerten. Die in der Studie eingesetzte Ausrüstung bestand aus einer an einer Drohne montierten Infrarotkamera und einer tragbaren Infrarotkamera, um den Wärmewiderstand aller Wände in einem alternden Gebäudeaufbau zu untersuchen. In dieser Studie wurde eine Tello-Drohne mit integrierter Flir Vue Pro-Kamera, die schnelle Infrarotbilder aufnehmen kann, in Kombination mit einer tragbaren Wärmebildkamera für eine schnelle Datenerfassung verwendet. Die dreidimensionale Ansicht der mit der Kamera verbundenen Testdrohne ist in Abb. 1 dargestellt. Die Analyse wurde an einer Reihe von Gebäuden in Neu-Delhi durchgeführt. Es wurde eine Aluminiumfolie verwendet, die zunächst zerkrümelt, dann flach gemacht und später auf die Testwand geklebt wurde, deren R-Wert untersucht werden soll. Die Kamera richtete einen Lichtstrahl auf die zerbröckelte Aluminiumfolie, die die reflektierte Temperatur erfasste. Die zerbröckelte Folie ist in Abb. 2 dargestellt.

Verschiedene Ansichten einer Drohnen-Kamera-Anordnung.

Zerbröckelte Aluminiumfolie.

Der Unterschied im Energiebedarf während des Audits lässt sich darauf zurückführen, dass das Gebäude beim ursprünglichen Entwurf für den Stromverbrauch ausgelegt war, der sich im Laufe der Jahre verschlechtert hat und daher ein Audit erfordert, um den genauen Ort der Verluste zu bestimmen. Wenn diese Struktur korrekt lokalisiert und neu isoliert wird, können jährlich Milliarden Rupien eingespart werden. Die zur Entwicklung des prognostizierten Modells bereitgestellten Untersuchungs- und theoretischen Informationen wurden aus der UAV-IR-Anordnung generiert. Die technische Bewertung dieses Setups ist unten in Tabelle 1 angegeben.

Die Datenakkumulation und das Experimentieren werden durch das folgende Flussdiagramm in Abb. 3 erreicht. Im nächsten Abschnitt werden Gebäudespezifikationen bereitgestellt, um den Testbereich des Experiments zu verstehen.

Flussdiagramm für die Funktionsweise der Drohnen-Kamera-Anordnung.

Zur Bestimmung der Wärmeverluste im Gebäudeaufbau in Neu-Delhi, Indien, wird die Infrarot-Thermografietechnik eingesetzt. Eine Tello-Drohne mit integrierter Flir Vue Pro-Infrarotkamera wird eingesetzt, um Informationen zu Gebäudestrukturen zu erhalten. Die gesammelten Daten wurden mit Hilfe der Software „SmartView“ und „FLIR Reporter Pro“ simuliert. Die vorliegende Untersuchung basierte auf den Standards der ISO 6946:200738, die auch als internationale Standards für Gebäudehüllenelemente bekannt ist. Die Norm stellt einige Methoden und Strategien zur Bewertung des Wärmewiderstands oder R-Werts aller wichtigen Bauelemente bereit. Die folgenden Annahmen für den Bau wurden vor dem Test berücksichtigt:

Das Gebäude wurde gemäß den geltenden Bauvorschriften und -normen errichtet.

Die beim Bau verwendeten Baustoffe und Bauteile sind von entsprechender Qualität und Haltbarkeit.

Das Gebäude ist keinen erheblichen Umwelt- oder Naturgefahren ausgesetzt, die seine strukturelle Integrität oder Sicherheit beeinträchtigen könnten.

Die Bewohner des Gebäudes nutzen die Einrichtungen gemäß den entsprechenden Richtlinien und Vorschriften.

Die Methode hilft dabei, die Wärmeübertragungsrate durch die Gebäudehüllenelemente zu ermitteln. Der Hauptgrund für die R-Wert-Bewertung liefert wertvolle Informationen zur Gebäudehülle, die möglicherweise Reparaturen erfordert, indem an bestimmten Stellen innerhalb des Gebäudes Isolierungen angebracht werden. Die Forschung beleuchtet auch Bereiche mit einer Verschlechterung der Isolierung, Wärmelecks und damit verbundenen Energieverlusten. Die Forschung zeigt außerdem auf, wie diese Energieverluste behoben werden können, wobei der Schwerpunkt auf der Bereitstellung eines kostengünstigen Verfahrens liegt. Dadurch kann das Gebäude energieeffizienter werden und eine nachhaltige Umwelt schaffen. Der berechnete Gesamt-R-Wert ist in Tabelle 2 dargestellt. Im folgenden Abschnitt wird die Entwicklung der neuen Formel erläutert.

Herkömmliche Methoden zur Bestimmung des Wärmewiderstands sind nicht sehr effektiv, da sie die Änderungen der Umgebungsparameter (DBT, RH und WS) nicht berücksichtigen26. Die herkömmliche Formel zur Bewertung des Wärmewiderstands ohne Berücksichtigung von Schwankungen der Umgebungsbedingungen ist in Gl. (1):

Die vorliegende Studie umfasst eine integrierte Drohne mit Infrarotkamera, die Wärmebilder aufnimmt, die später in eine Software zur R-Wert-Berechnung für Hochhäuser unter Berücksichtigung von Umweltparametern übertragen werden müssen. Der Hauptgrund für die R-Wert-Bewertung unter Berücksichtigung von Umweltparametern liefert wertvolle Informationen zur Gebäudehülle, die möglicherweise Reparaturen durch das Anbringen von Isolierungen an bestimmten Stellen innerhalb des Gebäudes erfordern. Frühere Studien verwendeten eine ähnliche Formel, jedoch ohne Berücksichtigung des Emissionsgrads der Außenwand, der schwer zu messen und zugänglich ist27,28. Die aktuelle Studie ermittelt diese Temperatur mühelos, indem sie den Laser einer Thermografikkamera auf Aluminiumfolie und schwarzes Klebeband fokussiert, das an verschiedenen Stellen des Gebäudes angebracht ist. Diese Werte werden durch die Variablen OK1 gemessen.

Osama hat eine neuartige Formel entwickelt, um den Wärmewiderstand jeder Wand mithilfe einer Drohne unter Berücksichtigung der Umgebungsbedingungen zu messen. Darüber hinaus wird der Einfluss von Eingabeumgebungsparametern durch Interpolation der Variation der beiden in der Formel entwickelten Variablen (Ok2) abgeleitet, was zuvor unterschätzt und in früheren Studien nie berücksichtigt wurde29. Umweltfaktoren wie DBT, RH, WS und konvektiver Wärmeübertragungskoeffizient (h) haben großen Einfluss auf den Temperaturerkennungsprozess, was wiederum zur Betrachtung des R-Werts führt. Die Variablen Ok1 und Ok2 berücksichtigen die Auswirkungen der relativen Luftfeuchtigkeit, der Windgeschwindigkeit und der Trockenkugeltemperatur auf den Wärmewiderstand. Die Formel wurde validiert, indem ihre Genauigkeit und Vorhersagefähigkeit mit der ANFIS-Software der Statistiktools RMSE und R2 getestet wurden. Der Einfluss der oben genannten Parameter auf die Formel und die beiden Konstanten wurde mit einem statischen Test namens ANOVA bestätigt, um das Signifikanzniveau für jeden Eingabeumgebungsparameter zu bestimmen. Die unten angegebene Formel wird verwendet, um den R-Wert für jede Wand unter allen Umgebungsbedingungen zu berechnen. Diese Formel trägt dazu bei, die Wärmeverluste durch Wände zu verringern, indem sie die Verschlechterungen der Gebäudehülle vorhersagt, wie in Gleichung (1) dargestellt. (2):

Dabei ist Rth der Wärmewiderstand der Wand, Tinside-Luft die Innentemperatur des Gebäudes (wahrscheinlich auf 22 °C gehalten), Toutside-Luft die Außentemperatur oder Umgebungstemperatur (auch bekannt als DBT), Toutside-reflektierte Wand die geschätzte Temperatur mit der Kamera nach Reflexion an Aluminiumfolie, hconv ist der konvektive Wärmeübertragungskoeffizient, ε ist der Emissionsgrad, σ ist die Stefan-Boltzmann-Konstante und Ok1 und Ok2 sind Osamas Variablen.

In erster Linie kann dieses Modell als globales und flexibles Modell eingerichtet werden, das auf alle Umgebungen auf der ganzen Welt anwendbar ist. Dieses Modell ist machbar, da es kostengünstig und effizient bei Energieverlusten in allen Gebäudehüllen ist und durch Experimente ermittelte Werte reproduziert. Der vorliegende Rahmen kann von Forschern verwendet werden, um die erzielten Einsparungen abzuschätzen, die für Gebäudehüllenelemente mit einem unbekannten R-Wert verwendet werden können. Die Validierung der entwickelten Formel wird im nächsten Abschnitt erläutert.

Das ANFIS-Modell kann entweder durch Verwendung des Takagi-Sugeno-Frameworks oder des Mamdani-Frameworks bereitgestellt werden. Die vorliegende Untersuchung hat die erstere Methode gewählt, um eine praktikable Arbeit zu erhalten, da die Anzahl der Eingaben auf verschiedenen Ebenen variierte. Eingaben wurden in das Modell eingespeist und bildeten den Rahmen, wie aus Abb. 4 hervorgeht. Es wurden drei Modelle erstellt, da die Ausgaben der Wärmewiderstand und seine Variablen waren. Die Gültigkeit der vorliegenden Forschung kann durch den Vergleich früherer technischer Probleme festgestellt werden, die ebenfalls die Modelle auf dem vorliegenden Rahmen mit höchster Effizienz etablierten, da diese Probleme so oft begrenzt, nichtlinear und unsicher in der Datenbank sind39,40. Jüngste Anwendungen im Zusammenhang mit effizienten Ergebnissen haben die Popularität von ANFIS begründet, da es ein erstklassiges Werkzeug zur Bestimmung einer realisierbaren Beziehung zwischen mehreren Eingaben für zahlreiche Ausgaben ist. Ein Sugeno-Modell besteht aus sechs Hauptschritten, beginnend mit dem vorbereitenden Schritt der Eingabebeschränkungen, gefolgt von der Fuzzifizierungsschicht, der Regelfolgeschicht, der Regelstärkenormalisierungsschicht, der Regelfolgeschicht und schließlich der Regelinferenzschicht. Die Entwicklung eines praktikablen Algorithmus erleichtert die Fuzzy-Theorie und die Erstellung verschiedener Mitgliedschaften, indem eine Reihe von Schritten befolgt werden, die in den Gleichungen erläutert werden. (3)–(12). Während des Experiments wurden 32 Versuchstests erstellt und weiter in Datensätze unterteilt, einen zum Training (24) und einen anderen zum Testen (8). Der vollständige Hintergrund, der für den Sugeno-Algorithmus erläutert wird, ist in Tabelle 3 aufgeführt.

Rahmen des ANFIS-Modells.

Die oben genannten Schichten werden empirisch erklärt, indem ANFIS-Formeln angewendet werden, um Endergebnisse zu erhalten:

Schritt 1: Fuzzifizierungsschritt

Schritt 2: Produktschritt:

Schritt 3: Normalisierter Schritt:

Schritt 4: Defuzzied-Schritt:

Schritt 5: Schritt „Gesamtertrag“:

Orthodoxe Ansätze, die bei solchen komplexen Problemen angewendet werden, erfordern viel Zeit und Fachkräfte, um die Machbarkeit zwischen Eingabevariablen und Endergebnissen zu ermitteln. Umgekehrt sind Soft-Computing-Techniken in der Lage, einen realen Zusammenhang herzustellen und gleichzeitig effektive Ergebnisse zu generieren, ohne dass dafür vorherige Datensätze erforderlich sind. Annäherungen und Berechnungen, die aus dem ANFIS-Verfahren generiert werden, können durch die Verwendung der RSM-Methode durch verbesserte Korrektheit und Produktivität zusätzlich verfeinert werden.

Häufig verschlechtert sich die Funktionsfähigkeit von ANFIS bei Problemen, bei denen die Anzahl der Eingaben mehr als neun Techniken beträgt, da die Ergebnisse innerhalb der lokalen Optima hängen bleiben könnten. Darüber hinaus verschleiern die widersprüchlichen Ergebnisse den Fortschritt des Algorithmus. Um diese Komplikation zu überwinden, wurde eine Hybridformel namens Osama-Formel entwickelt, die in der Lage ist, alle Schwierigkeiten im Prozess der Messung klimatischer Bedingungen zu berücksichtigen und gleichzeitig die mit Verbundgebäuden verbundenen Komplikationen schnell und effektiv abzuleiten.

Alle wichtigen Daten, die in den ANFIS-Modellen angewendet und generiert werden, sind in der Tabelle aufgeführt. Die Diskrepanz im entwickelten Modell könnte mit statistischen Tools wie dem Bestimmtheitsmaß (R2) und dem mittleren quadratischen Fehler (RMSE) erklärt werden, die in den Gleichungen bereitgestellt werden. (13) bzw. (14).

wobei \({E}_{m}=\frac{{\sum }_{i=1}^{N}\Sigma {P}_{i}}{N}\)

RMSE = mittlerer quadratischer Fehler, R2 = Bruchteil der Varianz, Pi = aus der Modellierung erhaltener Prognosewert, Ei = generierter experimenteller Wert, Em = Mittelwert der aus Modellen generierten vorhergesagten Werte, N = verfügbare Daten, i = Bedarf im Versuchslauf berechnet werden.

Um einen praktikablen Probelaufsatz zu entwickeln, bei dem Eingabe- und Ausgabebeziehungen ermittelt werden können, verwenden wir die Response-Surface-Methodik, die in der Lage ist, die zahlreichen Eingaben mit spezifischen Ergebnissen der Studie zu verknüpfen. Auch für diese Studie haben wir die 32 Versuchsläufe mit ihren jeweiligen Anpassungsgleichungen verknüpft. Darüber hinaus spezifizierte das etablierte Beziehungsmodell die neuen Extremwerte für alle Eingabebeschränkungen. Die Drohnenmodellierung umfasst mehrere Eingabesätze, die aus Datensätzen ermittelt wurden, die aus früheren Literaturrecherchen validiert wurden und die Realisierbarkeit der experimentellen Daten und der Modellentwicklung belegen. Für die vorab festgelegten Werte standen die entwickelten Bereiche in engem Zusammenhang mit den erfassten experimentellen Eingaben, sodass die Auswirkungen für die Endergebnisse nicht vorteilhaft waren. Die klimatischen Einschränkungen bestanden aus einer Trockenkugeltemperatur zwischen 2 und 41 °C, einer relativen Luftfeuchtigkeit zwischen 20 und 80 % und einer Windgeschwindigkeit im Bereich von 0–15 km/h. Alle Versuche richteten sich an verschiedene Strukturwände, die komplizierten geometrischen Abmessungen für zahlreiche klimatische Bedingungen (DBT, RH und WS) für die Variablen in der neuartigen Formel ausgesetzt waren, um auf der Grundlage der Ergebnisse die beste Kombination unter ihnen zu erzielen. Aus der Modellinterpretation wurden verschiedene Anpassungsgleichungen für alle Ergebnisse entwickelt und in den folgenden Abschnitten erläutert. Die Untersuchung umfasst zahlreiche Kontrollfaktoren, numerische und kodierte Standards, die in der vom Kongress geplanten Central Composite Rotatable Design Collection (CCRD) aktiv sind und alle 32 Versuche abdecken. Umfassende Informationen zu unterschiedlichen klimatischen Bedingungen finden Sie in Anhang 1.

Ein großer Bereich hat die RSM-Technik erfolgreich implementiert, um Prognosewerte schneller und effizienter zu liefern und gleichzeitig das Problem entsprechend seinen Anforderungen zu simulieren. Das Tool optimiert außerdem die Antworten basierend auf den verfügbaren Parametern. Von nun an wird RSM häufig zur Durchführung von Simulationen, Optimierungen und Variationsstufen einer beliebigen Anzahl von Eingaben für einen bestimmten Datensatz eingesetzt. Die untersuchten Datensätze werden mit der Antwortoberflächen-Regressionsmethode polynomialer Modellierung zweiter Ordnung wahrgenommen, die mittels Gl. (15):

Dabei ist Y das erforderliche Ergebnis, Xi numerische Werte der Faktoren, wohingegen die Terme β0, βi, βii und βij Regressionskoeffizienten sind, i und j lineare und quadratische Koeffizienten sind und ε der experimentelle Fehler ist. Mit Hilfe dieser angepassten Darstellungen wurden Reaktionsoberflächendiagramme erstellt.

Zur Analyse der thermischen Wärmeabgabe von Testwänden werden mehrere Parameter variiert. In erster Linie wurden die Umgebungsparameter im Hinblick auf verschiedene experimentelle Messwerte für Konstanten als Ausgänge geändert. Theoretisch kann die Wärmefreisetzungsrate (HRR) mit den folgenden Gleichungen geschätzt werden:

Dabei gibt dQG/dӨ den gesamten Wärmeübertragungsanteil an, dQN /dӨ den Netto-Wärmeübertragungsanteil und dQht /dӨ den Wärmeübertragungsanteil zu den Wänden.

Um die Analyse zu vereinfachen, geht die theoretische Formel davon aus, dass sich die Luft wie ein ideales Gas verhält, wobei der Begriff dQN /dӨ die Summe der geleisteten Arbeitsleistung und der Variationsrate der sensiblen inneren Energie im Raum eines bestimmten Gebäudes bezeichnet. Das ist,

Dabei wird die spezifische Wärme bei konstantem Volumen mit \({C}_{v}\) und das spezifische Wärmeverhältnis mit \(\gamma\) bezeichnet.

Die Ablehnung des Temperaturkoeffizienten während der Differenzierung führt zur folgenden Gleichung:

Die obige Gleichung besteht aus einem Wärmeübergangskoeffizienten (h), Twall, der die mittlere Temperatur angibt, die in den Raumwänden erreicht wird, und As, der Oberfläche der Wand37. Betrachtet man das Fluid (Luft), das einer turbulenten Strömung unterliegt, ergibt sich die Gleichung, mit der abgeschätzt werden kann, aus der folgenden Formel:

Dabei variieren konstante Werte zwischen \(0,35

Die Untersuchung von Fehlerraten wird anhand von Fehlern in den entsprechenden Geräten ausgewertet. Bei der Messung der Parameter für Eingabe und Ausgabe sind bei verschiedenen Instrumentensätzen immer inhärente Unsicherheiten verbunden. Das Hauptziel dieses Abschnitts besteht darin, diese Fehler zu reduzieren und die Wirksamkeit des Endergebnisses zu maximieren. Darüber hinaus gelten die Forschungsergebnisse in Kombination mit dem Abschnitt zur Unsicherheitsanalyse als korrekt. Die Unsicherheiten können bei unterschiedlichen Werkzeugsätzen, Messgeräten, ungelernten Arbeitskräften und ungeeigneten Umgebungsbedingungen auftreten. Um ein Gefühl der Zuverlässigkeit zu erreichen, werden daher alle Variablen für jede befahrene Wand dreimal gemessen.

Im Allgemeinen werden unterschiedliche Techniken verwendet, um die Quantifizierung der Untersuchungsparameter (Klima) und die Ausgabeparameter (Ok1, Ok2 und R-Wert) abzuschätzen, was zu geringfügigen Fehlern während des Experiments führt. Alle Fehler, die in der Ausrüstung der experimentellen Analyse vorhanden sind, sind in Tabelle 4 aufgeführt. Die gesamte Fehlerrate wird in diesem Experiment durch die Verwendung einer empirischen Formulierung wie folgt ermittelt:

Die gesamte Fehlerquote = ± 1,02 %

Die gesamte für den Versuchsaufbau geschätzte Fehlerrate beträgt ± 1,02 % und liegt somit in einem normalen Bereich.

In diesem speziellen Abschnitt wird das Verfahren erläutert, das angewendet wird, um die grundlegenden Daten zu erhalten, die zur Berechnung des R-Werts aus dem Drohnen- und Infrarotkamera-Setup erforderlich sind. In dem Abschnitt wird auch hervorgehoben, wie die Genauigkeit von den atmosphärischen Bedingungen rund um die Drohne abhängt, um unvoreingenommene Daten zu generieren. Das grundlegende Kriterium für die Datenerfassung ist die Stabilität der Drohne, um eine maximale Anzahl von Fotos der erforderlichen Wand zu erstellen. Außerdem sollte darauf geachtet werden, die Anzahl der Fotos pro Wand nur auf 10 zu beschränken, da der Speicherplatz auf der Drohne begrenzt ist. Sobald die Drohne eine bestimmte Höhe erreicht hat, nimmt sie mithilfe von Wärmebildern Fotos auf und schätzt dann die Wärmeverluste durch jede Wand weiter ab. Drohnen werden wahrscheinlich in hohen Gebäuden oder Hochhäusern eingesetzt, wo die Reichweite von Menschen zu einer mühsamen Aufgabe werden kann. Die folgenden Annahmen werden berücksichtigt, bevor die Untersuchungsdatensätze wie unten aufgeführt analysiert werden:

Vor dem Drohnenflug wurden normale klimatische Bedingungen wie Schauerwahrscheinlichkeit, Windgeschwindigkeit, Trockenkugeltemperatur und Umgebungsfeuchtigkeit beobachtet. Die Luftfeuchtigkeit schwankte zwischen 20 und 80 %, die Windgeschwindigkeit lag bei etwa 15 km/h und die DBT schwankte zwischen 2 und 41 °C.

Auch das Balancieren der Drohne und Einschränkungen hinsichtlich der Höhenunterschiede werden im Drohnenführer für einen ordnungsgemäßen Flug berücksichtigt.

Sobald die Drohne die erforderliche Höhe erreicht hat, wurden Wärmebilder aufgenommen. Eine frühe Aufnahme beeinträchtigt die Akkulaufzeit der Drohne. Um den Betrieb an allen größeren Wänden durchführen zu können, ist eine lange Akkulaufzeit erforderlich.

Die erfassten Daten wurden für weitere Berechnungen innerhalb des R-Werts für jede Wand in das Modellgerüst übertragen.

Der Gesamtzeitaufwand für den Datenerfassungsprozess beträgt etwa 20 Stunden (4 Stunden pro Tag) für verschiedene Tageszeiten, um einheitliche Ergebnisse zu erzielen. Die Gesamtdauer betrug zwei Monate, um die meisten klimatischen Bedingungen in einem Monat abzudecken, wie in Tabelle 5 gezeigt. Eine detailliertere Erläuterung der Testläufe finden Sie im ergänzenden Abschnitt. A3.

Drohnen bieten gegenüber herkömmlichen Methoden der Gebäudeinspektion mehrere Vorteile, wenn es um die Erkennung und Bewertung von Gebäudeschäden geht. Ein großer Vorteil von Drohnen ist ihre Fähigkeit, schwer zugängliche Bereiche wie Dächer und Fassaden zu erreichen, ohne dass Gerüste oder andere kostspielige Geräte erforderlich sind. Dies ermöglicht gründlichere Inspektionen und kann dabei helfen, Probleme zu erkennen, die andernfalls möglicherweise übersehen würden. Darüber hinaus können Drohnen, die mit hochauflösenden Kameras und anderen Sensortechnologien ausgestattet sind, detaillierte Bilder und Daten liefern, die zur Identifizierung struktureller Probleme, eindringender Feuchtigkeit und anderer Anzeichen einer Verschlechterung genutzt werden können. Schließlich können Drohnen ferngesteuert werden, wodurch sich der Einsatz menschlicher Arbeitskräfte in potenziell gefährlichen Situationen verringert. Insgesamt stellen Drohnen eine sicherere, effizientere und effektivere Methode zur Gebäudeinspektion und -wartung dar, was sie zu einer immer beliebter werdenden Wahl für Gebäudeeigentümer und -verwalter macht.

Der Datenerfassungsprozess basierte weitgehend auf einer einfachen Technik, bei der die Drohne auf eine bestimmte Höhe geflogen wurde, in der der R-Wert geschätzt werden muss. Darüber hinaus wurden die Bilder in einem bestimmten Abstand aufgenommen, nicht zu nah und nicht zu weit entfernt. Es wurde ein schneller Datenerfassungsprozess eingesetzt, der auf drei einfachen Verfahren basierte: Richten, konzentrieren und erfassen Sie das Wärmebild. Das spezifische Segment verdeutlicht die Bedeutung der Erkennung von Gebäudemängeln bei der Gestaltung der Dämmstoffanforderungen für Gebäudehüllen. Die Werte wurden mit größter Sorgfalt ermittelt, wobei besonderes Augenmerk auf die Bereitstellung eines geeigneten Prozesses zur Quantifizierung der Route, der Absorption, der Klarheit des Aufwinds, der Strömungsspanne und der Entfernung gelegt wurde. Der Prozess muss recht schnell durchgeführt werden, weshalb die Art der Stoffe möglicherweise nicht berücksichtigt wird. Die Werte werden später basierend auf den in der Software vorhandenen Werten angepasst.

Bei der Erkennung von Drohnen ist die Umgebungstemperatur ein wesentlicher Betriebsparameter, der den Temperaturmessvorgang erheblich beeinflusst und daher mithilfe einer Hybridformel geändert werden kann. Häufig hohe Umgebungstemperaturen können für korrekte Temperaturmessungen im Wandbereich ein großes Hindernis darstellen, da der heiße Luftzug an der Vorderseite der Kamera möglicherweise auf höhere Temperaturen zurückzuführen ist. Im Gegenteil, das Auftreten von Wind führt zu schlechteren Messwerten in der Kamera. Das Vorhandensein eines positiven Tiefgangs bringt daher Unsicherheiten in den Messwerten mit sich, die durch Berücksichtigung der Variablen Ok1 und Ok2, die Umgebungsunsicherheiten berücksichtigen, bei der Schätzung des Ausmaßes der Verschlechterung einer Wand beseitigt werden können. Die Wechselbeziehung zwischen gegenseitigen Variablen kann anhand der Abbildungen verstanden werden. 5 und 6.

Variation von Ok1 mit DBT.

Variation von Ok2 mit DBT.

Unterschiede in der Umgebungsfeuchtigkeit werden für die Betriebsbedingungen von Gebäuden geschätzt, wobei der Einsatz einer Drohnen-Kamera-Integration eine herausragende Rolle bei der Bereitstellung des Wärmewiderstands spielt. Das Auftreten höherer Feuchtigkeitsmengen in Klimazonen führt aufgrund der Tröpfchenbildung auf der Oberfläche von Aluminium und schwarzem Klebeband zu Unsicherheiten im Drohnenkamera-Messprozess. Darüber hinaus sammelt sich überall dort, wo die reflektierte Temperatur gemessen werden soll, eine Schicht feuchter Wassertröpfchen auf der Wandstruktur an. Diese inhärenten Fehler können aufgehoben oder vermieden werden, indem entwickelte Variablen in die zur Bewertung des R-Werts entwickelte Formel einbezogen werden. Die Beziehung der entwickelten Variablen zur relativen Luftfeuchtigkeit kann anhand der Abbildungen interpretiert werden. 7 und 8 unten dargestellt.

Variation von Ok1 mit RH.

Variation von Ok2 mit RH.

Die Drohnenstabilität ist eine unverzichtbare Einschränkung bei der Messung des R-Werts in reflektierter Temperaturnäherung. Höhere Umgebungswindstärken sind auf ein Ungleichgewicht in der Drohne zurückzuführen, das instabil wird und zu Fehlern bei der Temperaturmessung führt. Auch wenn bei der gesamten Untersuchung regelmäßige Standards eingehalten werden, kann es erforderlich sein, eine Drohne zu positionieren und dabei die Kamera auf den Messstempel zu richten. Diese inhärenten Fehler können aufgehoben oder vermieden werden, indem entwickelte Variablen in die zur Bewertung des R-Werts entwickelte Formel einbezogen werden. Der Zusammenhang der entwickelten Variablen mit der Windgeschwindigkeit kann anhand der Abbildungen interpretiert werden. 9 und 10.

Variation von Ok1 mit WS.

Variation von Ok2 mit WS.

In diesem Abschnitt wird geschätzt, dass die Prognosefähigkeit des ANFIS-Modells eine rationale Korrelation zwischen R-Wert und klimatischen Situationen darstellt, einschließlich Umgebungstemperatur, Umgebungszugluft und relativer Luftfeuchtigkeit in dieser Forschung. Für zahlreiche Mauern wurden Untersuchungsergebnisse unter unterschiedlichen klimatischen Einflüssen erzielt.

Die gegebene Beteiligung und Einflussnahme trägt zu einer äußerst umfangreichen Datensammlung bei, die umfangreiche Untersuchungsergebnisse liefert, die Zeit, Aufwand, Energie und Öl erfordern. Diese Studie schlägt eine KI-Methode (ANFIS) vor, die eingesetzt wurde, um eine angewandte und zuverlässige Antwortprognose mit vernachlässigbarer Ungenauigkeit der Informationseingabe zu ermöglichen, die aus Teilzahlen als Eingaben besteht. Verschiedene Datensätze, die aus den untersuchten Drohnendaten, dem Training und der Validierung, die über RSM erhalten wurden, generiert wurden, werden mit Hilfe des Fuzzy-Inferenzsystems vom Sugeno-Typ untersucht, das hauptsächlich auf einem hochentwickelten Prozess basiert, der die Regressionsanalyse einbezieht, die die Technik des geneigten Abstiegs des Rückens demonstriert. Ausbreitung41.

Soft Computing wird durchgeführt, um die enorme Funktionalität der für die schwierigen Drohneneinstellungen eingerichteten Baugruppe zu verbessern. Frühere Überarbeitungen haben die Effizienz der ANFIS-Planungen, die aus drei Trainingsdatensätzen und vier Primärebenen bestehen, bereitgestellt, die im System für verschiedene Arten von Situationen aktiviert werden müssen, wie in Tabelle 6 gezeigt. Dies wird im ergänzenden Abschnitt gezeigt. A2.

Im Falle der Entwicklung eines praktikablen Rahmens für die verfügbare Datenstruktur werden die durch die ANFIS-Modellierung gesicherten Ansprüche in Umgebungsfaktoren integriert, wo sie ihre betrieblichen Einschränkungen auf der Grundlage aktueller Variablen und erfasster Eingabedatensätze erzeugen. Diese Algorithmen ermöglichen eine praktikable Entwicklung von Wechselbeziehungen für zahlreiche Variablen und deren Ergebnisse im Zusammenhang mit der Umgebungsumgebung des Testgebäudes, wie in Abb. 11a–f dargestellt, die viele Diagramme zwischen den natürlichen Lebensraum- und Formelvariablen zeigt. Die mittlere quadratische Nichtkonformität und der Prozentsatz der Varianzschätzung wurden für alle Mitglieder des verfügbaren Frameworks und der in Sugeno erstellten webtopografischen Anatomie anhand der daraus resultierenden Datensätze in der ANFIS-Modellierung bewertet. Für verschiedene Mitgliedschaftszwecke wird das Fehlerverhältnis ermittelt, um unter allen den idealen Arbeitsalgorithmus vorherzusagen. Der kleinste Fehler wird für die Gaußsche Funktion 2 für Ok1-Variablen erreicht, wohingegen die Zugehörigkeitsfunktion der Gaußschen Funktion 1 die niedrigste Fehlerrate bei Ok2-Variablen der Osama-Formel erreichte. Außerdem sagte die Gaußsche Zugehörigkeit 1 bessere Ergebnisse für den R-Wert des Wärmewiderstands voraus, wie aus Tabelle 6 hervorgeht.

(a–f) 3D-Diagramme zwischen Umgebungsparametern (DBT, RH und WS) und Formelkonstanten (Ok1 und Ok2).

Die inhärenten Unsicherheiten aller entwickelten Modelle für verschiedene Zugehörigkeitsfunktionen sind in Tabelle 6 aufgeführt, wobei die jeweilige Schätzung der niedrigsten Fehlerraten durch gelbe Markierungen hervorgehoben ist. Durch die Erstellung effizienter ANFIS-Modelle erhalten Sie zuverlässige Daten, die mit den zuvor bereitgestellten hypothetischen Informationen völlig identisch sind, um die Ergebnisse der Studie zu trainieren und zu untersuchen. Außerdem erkennen die für ANFIS-Klassen untersuchten prognostischen Werte die Wechselbeziehung zwischen den einzelnen Variablen und demonstrieren die Authentifizierung der projizierten Formulierung, da die erzielten Ergebnisse den in der Formulierung erzielten Ergebnissen ziemlich ähnlich sind.

Die durch Hybridmodelle (ANFIS, konventionelle Theorie und neue Theorie) geschätzten Ergebnisse wurden auf der Grundlage von Regressionsformeln wie dem quadratischen Mittelfehler (Root Mean Square Error, RMSE) und dem Anteil der Varianz R2 bewertet. Häufig werden diese statistischen Tools eingesetzt, um die Abweichung zwischen den experimentellen und den vorhergesagten Reaktionen abzuschätzen. Der Varianzanteil (R2) basiert auf dem Konzept der linearen Regression und berücksichtigt alle Über- und Unterschätzungen innerhalb des Systems. RMSE wird verwendet, um abzuschätzen, wie nahe die Residuen (experimentelle Daten und prognostizierte Daten) an der besten Anpassungslinie liegen. Um die Ergebnisse der Gebäudeparameter zu validieren und zu verifizieren, wurden diese mithilfe statistischer Tools auf verschiedene Unsicherheiten getestet. Um die Machbarkeit dieser weich berechneten Hybridmodelle zu bewerten, wurden verschiedene Arten von Regressionsanalysen durchgeführt. Die Genauigkeit des Vorhersagemodells wurde durch Berücksichtigung der Regressionsformeln wie RMSE und R2 validiert. Frühere Vorhersagemodelle galten als genau, wenn der ausgewertete RMSE nahe Null lag. Umgekehrt sollte der Varianzanteil der prognostizierten Daten für eine genaue Anpassung des Modells nahe bei 1 liegen. In der vorliegenden Untersuchung entsprachen alle implementierten Modelle den oben genannten statistischen Fehlerstandards, was eine zuverlässige und konsistente Prognose ermöglichte.

Die Multi-Objective-Response-Optimierung (MORO) wird mit Hilfe von Minitab 18 erstellt und die Ergebnisse werden zusammen in Abb. 12 dargestellt. Gemäß der grafischen Darstellung der Multiple-Response-Optimierung benötigt der Benutzer höchste Ok1 und Ok2 irgendwo in der Nähe von 1. Die Die vorhergesagten optimalen Werte für Ok1 und Ok2 werden gleichzeitig bei einer optimalen Gruppierung von 44,90 % relativer Luftfeuchtigkeit (RH), 12,61 °C Trockenkugeltemperatur (DBT) und 5,20 km/h Windgeschwindigkeit (WS) erreicht.

Pareto-optimale Bedingungen, die mit dem Antwortflächenoptimierer erreicht werden.

Mit Hilfe des Regressionsansatzes werden Konstanten der Formel Ok1 und Ok2 zu 0,91 und 0,99 ermittelt. Die berechneten Werte von R2 und R2 (adj) für Ok1 und Ok2 betragen 98,65 % bzw. 98,35 %. Von nun an sind die beteiligten Modellparameter für die vorliegenden etablierten Ergebnisse ausreichend. Es werden simultane Analysen mit Hilfe des p-Wert-Tests, des F-Verhältnis-Tests und der Varianz (ANOVA) durchgeführt und die Ergebnisse werden in Tabelle 7 angezeigt. Unter den erforderlichen Ausgabewerten wurden lineare Eigenschaften von 0,01 gefunden, die man annehmen könnte als wesentlich. Der F-Wert der mangelnden Anpassung wurde auch für Ausgabeparameter mit ihren jeweiligen Werten geschätzt, wie in Tabelle 7 dargestellt.

Im vorherigen Abschnitt berichtete die Osama-Formel über eine verringerte Fehlerrate (RMSE) im Vergleich zu früheren theoretischen Modellen, die die Umgebungsschwankungen in der Luft nicht berücksichtigten42,43. Darüber hinaus wurde mit derselben integrierten Formel ein Zenit-R2-Wert nahe 1 erreicht. Tabelle 8 zeigt die Vergleiche für die beobachteten und angepassten Antwortwerte. Die berechnete prozentuale Abweichung zwischen angepasstem und tatsächlichem Modell wird ebenfalls ermittelt, sodass in jeder letzten Zeile Werte angezeigt werden, die den Einfluss der Variablen auf die Ergebnisse angeben. Die mittels Regressionsanalyse entwickelte Simulation ist in Abb. 8 dargestellt.

Um die Auswahl der Osama-Formel zu validieren und zu rechtfertigen, wurde das vorherige Modell in Erinnerung gerufen und mit dem experimentellen Modell verglichen, wie in Tabelle 9 dargestellt. Der Datenvergleich wurde anhand einer experimentellen Umfrage für verschiedene Wandergebnisse erstellt. Das vorliegende Modell hat das gleiche Muster höherer Genauigkeit (geringerer RMSE mit höherem R2) in der Osama-Formel gezeigt, da es Umgebungsschwankungen berücksichtigt und dadurch die vorgeschlagene Formel validiert. Die Validierung des vorliegenden Modells mit früheren Modellen, die von AI für ähnliche Probleme entwickelt wurden, ist zur vergleichenden Analyse in Tabelle 10 dargestellt.

Die moderne Untersuchung ergab die Möglichkeit, eine Drohnen-Kamera-Anordnung einzusetzen, um ein umweltfreundliches Gebäudekonzept zu erreichen, das zahlreiche klimatische Variablen wie Trockenkugeltemperatur, Windgeschwindigkeit und relative Luftfeuchtigkeit umfasst. Außerdem wurde eine neuartige Formel, die Osama-Formel, entwickelt, die zur Schätzung des Wärmewiderstands der Wände und schließlich des Gesamtwärmeverlusts unter Berücksichtigung von Umgebungsveränderungen eingesetzt wurde. Die Untersuchungsergebnisse wurden generiert und eine Vergleichsstudie zu den anhand der Formel erhaltenen Ergebnissen erstellt. Der herkömmlich generierte Datensatz hätte aufgrund der mit dem Problem verbundenen Komplexität viel Zeit in Anspruch genommen, was im gesamten Prozess schwierig wäre, da sich die Umgebung ständig ändert. Daher entdeckt und bestätigt die beispielhafte Analyse die höhere prognostische Genauigkeit des Baus von Widerstandswänden durch die Integration der Diskrepanzen in klimatischen Variablen, die die erhaltenen Daten variieren. Darüber hinaus generierte die neuartige Formel optimale wahrscheinliche Ergebnisse, die näher an den in Echtzeit erreichten Werten lagen. Die wichtigsten Ergebnisse der Analyse werden im Folgenden erläutert:

Die Forschung befasst sich mit dem Hauptanliegen, umweltfreundliche Gebäude mit minimalem Stromverbrauch zu erreichen, der durch die Analyse der Verschlechterung von Gebäuden bei zahlreichen klimatischen Schwankungen reduziert wurde.

Die Forschung hilft auch bei der Bewertung der primären wärmebedingten Verluste durch Gebäudehüllenkomponenten, die das Konzept des umweltfreundlichen Bauens behindern. Durch entsprechende Änderungen an Bauelementen wie deren Isolierung kann die Stromübertragungsrate gesenkt werden.

Außerdem hilft die Analyse dabei, die konkrete Position der Diskrepanz genau zu bestimmen und bietet so die Möglichkeit, das bestehende Design zu verbessern. Darüber hinaus kann dieser Standort durch Isolierung oder vollständigen Ersatz des Hüllenstandorts verbessert werden. Die Standorte wurden mittels integrierter Wärmebildkamera erfasst und der R-Wert für verschiedene Umschläge ausgewertet.

Die Untersuchung ergab, dass sich der R-Wert im Laufe der Jahre im Vergleich zum ursprünglichen Wert, der gemäß den ASHRAE-Standards früher lag, verschlechterte. Der erhaltene R-Wert führte uns zu wertvollen Berechnungen, die verschiedene Designänderungen erklärten, wodurch der Energiebedarf gesenkt und die Kosteneffizienz des Gebäudes erhöht wurde.

Vorhandene Untersuchungen könnten den künftigen Prüfern helfen, den R-Wert für verschiedene hohe Gebäude mit einfachen und kostengünstigen Mitteln vorherzusagen und zu bewerten, wo eine Energieinspektion mit dem Einsatz von Kränen möglicherweise nicht möglich ist, was eine kostspielige Angelegenheit ist, und so die Energieeffizienz verbessern der Struktur.

Inwieweit die Ergebnisse jedoch ähnlich sein können, wenn das gleiche Verfahren an verschiedenen Gebäuden wiederholt wird, hängt von der Ähnlichkeit der Gebäude hinsichtlich ihrer Baumaterialien, Isolierung und Ausrichtung sowie von den äußeren Umgebungsbedingungen während der Messung ab . Obwohl drohnenbasierte Wärmewiderstandsmessungen das Potenzial haben, wertvolle Einblicke in die Energieleistung eines Gebäudes zu liefern, ist es insgesamt wichtig, die Einschränkungen der Methode zu berücksichtigen und die potenziellen Fehlerquellen zu berücksichtigen, die sich auf die Genauigkeit und Reproduzierbarkeit der Ergebnisse auswirken können . Der zukünftige Umfang dieser Studie könnte die Entwicklung von Methoden umfassen, um die Auswirkungen der Innenraumbedingungen auf drohnenbasierte Wärmewiderstandsmessungen zu mildern, beispielsweise durch den Einsatz von Sensoren zur Überwachung der Innenraumumgebung während des Messvorgangs. Darüber hinaus könnte die Studie auf eine größere Stichprobe von Gebäuden ausgeweitet werden, um die Generalisierbarkeit der Ergebnisse zu beurteilen.

Die während der aktuellen Studie verwendeten und/oder analysierten Datensätze sind auf begründete Anfrage beim entsprechenden Autor erhältlich.

Künstliche Intelligenz

Spezifische Luftfeuchtigkeit

Arbeitsflüssigkeit

Internet der Dinge

Adaptives Neuro-Fuzzy-Inferenzsystem

Infrarot-Thermografie

Mitteltemperatur

Klimaanlage

Osama Khan-Formel

Nationale Bauordnung

Trockenkugeltemperatur

Spürbare Hitze

Windgeschwindigkeit

Latente Hitze

Feuchtkugeltemperatur

Reaktionsoberflächenmethodik

Relative Luftfeuchtigkeit

Wurzelquadratmittelfehler

Bruchteil der Varianz

Durchschnittstemperatur

Schattierungskoeffizient

Osama Khan Variable 1

Osama Khan Variable 2

Suthan, R., Jayakumar, V. & Madhu, S. Bewertung der mechanischen Eigenschaften von Kevlar-Faser-Epoxid-Verbundwerkstoffen: Eine experimentelle Studie. Int. J. Veh. Struktur. Syst 10(6), 389–394. https://doi.org/10.4273/ijvss.10.6.02 (2018).

Artikel Google Scholar

Liu, D., Xia, X., Chen, J. & Li, S. Integration von Gebäudeinformationsmodell und Augmented Reality für die drohnenbasierte Gebäudeinspektion. J. Comput. Zivil. Ing. 35(2), 958 (2021).

Artikel Google Scholar

Kalaitzakis, M. et al. Drohnenbasiertes StereoDIC: Systementwicklung, experimentelle Validierung und Infrastrukturanwendung. Exp. Mech. https://doi.org/10.1007/s11340-021-00710-z (2021).

Artikel Google Scholar

Kotharkar, R., Ghosh, A., Kapoor, S. & Reddy, DGK Ansatz zur lokalen Klimazonen-basierten Energieverbrauchsbewertung in einer indischen Stadt. Energieaufbau. 259, 111835. https://doi.org/10.1016/j.enbuild.2022.111835 (2022).

Artikel Google Scholar

Wang, J. et al. Ein experimenteller Vergleich der regionalen thermischen Umgebung der hochdichten geschlossenen Gebäudegruppen mit retroreflektierenden und hochreflektierenden Beschichtungen. Energieaufbau. 259, 111864. https://doi.org/10.1016/j.enbuild.2022.111864 (2022).

Artikel Google Scholar

Mirzabeigi, S. & Razkenari, M. Automatisierte visuelle Gebäudeinspektion mittels Drohnen-Thermografie. Bauforschungskongress 2022 (American Society of Civil Engineers, 2022).

Google Scholar

Torres-Quezada, J., Avilés, AT, Isalgue, A. & Pages-Ramon, A. Die Entwicklung der verkörperten Energie in andinen Wohngebäuden. Auf Cuenca-Ecuador angewendete Methodik. Energieaufbau. 259, 111858. https://doi.org/10.1016/j.enbuild.2022.111858 (2022).

Artikel Google Scholar

Albeaino, G., Eiris, R., Gheisari, M. & Issa, RR DroneSim: Ein VR-basierter Flugtrainingssimulator für drohnengestützte Gebäudeinspektionen. Konstr. Innov. 22, 831–848 (2021).

Artikel Google Scholar

Hasan, M., Ben, S. & Hughes, R. Revolutionierung von Gebäudeinspektionstechniken zur Deckung des großen Energiebedarfs: Ein Überblick über den Stand der Technik. Erneuern. Aufrechterhalten. Energy Rev. 130, 109979 (2020).

Artikel Google Scholar

Li, Y. & Liu, C. Anwendungen von Multirotor-Drohnentechnologien im Baumanagement. Int. J. Constr. Geschäftsführer 19(5), 401–412. https://doi.org/10.1080/15623599.2018.1452101 (2018).

Artikel Google Scholar

Kyrkou, C. & Theocharides, T. Notfallnetz: Effiziente Luftbildklassifizierung für die drohnenbasierte Notfallüberwachung mittels atrous Convolutional Feature Fusion. IEEE J. Sel. Spitze. Appl. Erdobs. Remote Sens. 13, 1687–1699 (2020).

Artikel ADS Google Scholar

Calvo, JAL, Alirezaei, G. & Mathar, R. Drahtlose Stromversorgung von drohnenbasierten MANETs für Katastrophengebiete. IEEE Int. Konf. Wirel. Extreme Weltraumumgebung. 2017, 98–103 (2017).

Google Scholar

Madhu, S. & Balasubramanian, M. Einfluss von Schleifstrahlprozessparametern auf die Bearbeitung von glasfaserverstärkten Polymerverbundwerkstoffen. Materialwissenschaft und Ingenieurtechnologie 48(11), 1146–1157. https://doi.org/10.1002/mawe.201600744 (2017).

Artikel CAS Google Scholar

An, Y., Choi, H., Kim, E. & Kim, T. Experimentelle Analyse der saisonalen Temperatureigenschaften und des Kühl- und Heizenergieverbrauchs eines schlanken Doppelwandfensters. Energieaufbau. 256, 111692. https://doi.org/10.1016/j.enbuild.2021.111681 (2022).

Artikel Google Scholar

Liang, R. et al. Vorhersage der internen Wärmeentwicklung von Gebäuden mithilfe von Methoden der künstlichen Intelligenz. Energieaufbau. 258, 111794. https://doi.org/10.1016/j.enbuild.2021.111794 (2022).

Artikel Google Scholar

Seliem, H., Shahidi, R., Ahmed, MH & Shehata, MS Drohnenbasierter Highway-VANET- und DAS-Dienst. IEEE 6, 20125–20137. https://doi.org/10.1109/ACCESS.2018.2824839 (2018).

Artikel Google Scholar

Shariq, MH & Hughes, BR Revolutionierung von Gebäudeinspektionstechniken zur Deckung des großen Energiebedarfs: Ein Überblick über den Stand der Technik. Erneuern. Aufrechterhalten. Energy Rev. 130, 109979 (2020).

Artikel Google Scholar

Abdellatif, M., Chamoin, J., Nianga, J. & Defer, D. Eine thermische Kontrollmethode basierend auf einem maschinellen Lernvorhersagemodell für die Raumheizung. Energieaufbau. 255, 11692. https://doi.org/10.1016/j.enbuild.2021.111692 (2022).

Artikel Google Scholar

Ma, Z., Zhao, D., Wang, F. & Yang, R. Ein neuartiges Bewertungsmodell für thermischen Komfort und Energieeinsparung für Strahlungskühlungs- und -heizungstextilien. Energieaufbau. 258, 111842. https://doi.org/10.1016/j.enbuild.2022.111842 (2022).

Artikel Google Scholar

Fokaides, P. & Kalogirou, S. Anwendung der Infrarot-Thermografie zur Bestimmung des gesamten Wärmeübergangskoeffizienten (U-Wert) in Gebäudehüllen. Appl. Energie 88, 4358 (2011).

Artikel Google Scholar

Nardi, I., Sfarra, S. & Ambrosini, D. Quantitative Thermographie zur Schätzung des U-Wertes; Stand der Technik und eine Fallstudie. J. Phys. 547, 012016 (2014).

Google Scholar

Park, S., Kim, H., Kim, K. & Kim, K. Drohnenbildungsalgorithmus im 3D-Raum für eine drohnenbasierte Netzwerkinfrastruktur. IEEE Pers. Indoor-Mob. Radiokommun. https://doi.org/10.1109/PIMRC.2016.7794907 (2016).

Artikel Google Scholar

Prabu, B., Malathy, R., Gulshan Taj, MNA & Madhan, N. Drohnennetzwerke und Überwachungssysteme in Smart Cities 26 (CRC Press, 2023).

Google Scholar

Burgués, J. & Marco, S. Drohnenbasierte Überwachung von Umweltgasen. In Luftqualitätsnetzwerken. Umweltinformatik und Modellierung (Hrsg. De Vito, S. et al.) (Springer, 2023).

Google Scholar

Halder, S. & Afsari, K. Roboter bei der Inspektion und Überwachung von Gebäuden und Infrastruktur: Eine systematische Übersicht. Appl. Wissenschaft. 13(4), 2304. https://doi.org/10.3390/app13042304 (2023).

Artikel CAS Google Scholar

Alkaabi, K., Senghore, S. & Rhman El Fawair, A. Auf dem Weg zu nachhaltigen Städten: Überwachung der thermischen Umgebung von Gebäuden und Fußgängerzonen mithilfe von Drohnen erfasster 3D-Wärmebilder. Vorderseite. Gebaute Umgebung. 8, 1035546. https://doi.org/10.3389/fbuil.2022.1035546 (2023).

Artikel Google Scholar

Leggiero, M. et al. Schätzung des Strahlungswärmeverlusts von Gebäudehüllen basierend auf 3D-Thermografiemodellen unter Verwendung kleiner unbemannter Flugsysteme (sUAS). Energieaufbau. 244, 110957. https://doi.org/10.1016/j.enbuild.2021.110957 (2021).

Artikel Google Scholar

Oh, S., Ham, S. & Lee, S. Drohnengestütztes Bildverarbeitungsschema mit bildbasierter Standortidentifizierung zur Erkennung von Rissen und Energieverlusten in Gebäudehüllen. Energies 14(19), 6359. https://doi.org/10.3390/en14196359 (2021).

Artikel Google Scholar

Zheng, H., Zhong, Energies 13(24), 6677. https://doi.org/10.3390/en13246677 (2020).

Artikel Google Scholar

Kim, CW, Yang, SC & Ahn, YC Eine numerische Analyse der Außendruckverteilung durch Außenwindeinwirkung in einem Wohnhochhaus. Koreanische J. Klimaanlage. Kühl. Ing. 23, 639–645 (2011).

Google Scholar

Nagappan, B., Devarajan, Y., Kariappan, E., Philip, SB & Gautam, S. Einfluss von Antioxidationszusätzen auf die Leistung und Emissionseigenschaften von mit Rindertalg-Biodiesel betriebenen CI-Motoren. Umweltwissenschaften und Umweltverschmutzungsforschung 28(10), 12041–12055. https://doi.org/10.1007/s11356-020-09065-9 (2020).

Artikel CAS PubMed Google Scholar

O'Grady, M., Lechowska, AA & Harte, AM Anwendung der Infrarot-Thermografietechnik zur thermischen Bewertung mehrerer Wärmebrücken und Fenster. Energieaufbau. 168, 347–362. https://doi.org/10.1016/j.enbuild.2018.03.034 (2018).

Artikel Google Scholar

Lin, D., Jarzabek-Rychardb, M., Tong, X. & Maas, HG Fusion von Wärmebildern mit Punktwolken für die Kartierung thermischer Attribute von Gebäudefassaden. ISPRS J. Fotogramm. Fernbedienung. Sens. 151, 162–175 (2019).

Artikel ADS Google Scholar

Fokaides, PA & Kalogirou, SA Anwendung der Infrarot-Thermografie zur Bestimmung des gesamten Wärmeübergangskoeffizienten (U-Wert) in Gebäudehüllen. Appl. Energie 88(12), 4358–4365. https://doi.org/10.1016/j.apenergy.2011.05.014 (2011).

Artikel Google Scholar

Kontokosta, CE, Spiegel-Feld, D. & Papadopoulos, S. Die Auswirkungen obligatorischer Energieaudits auf den Energieverbrauch von Gebäuden. Nat. Energie 5, 309–316. https://doi.org/10.1038/s41560-020-0589-6 (2020).

Artikel ADS Google Scholar

Celestino, F., Carlos, P. & Pereira, E. Eingebettete Bildverarbeitungssysteme zur automatischen Erkennung von Rissen mithilfe von UAVs. IFAC 48, 16–21. https://doi.org/10.1016/j.ifacol.2015.08.101 (2015).

Artikel Google Scholar

Tarek, R. & Alice, G. Überblick über Anwendungen unbemannter Flugsysteme (UAS) in der gebauten Umwelt: Auf dem Weg zu automatisierten Gebäudeinspektionsverfahren mithilfe von Drohnen. Autom. Konstr. 93, 252–264 (2018).

Artikel Google Scholar

Genova, E. & Fatta, G. Die thermophysikalische Charakterisierung technischer Elemente in der historischen Architektur: Erfahrungen in Palermo. Proz. Actas del Congresso Int. Eficiencia Energética Edificación Hist. 2014, 397–406 (2014).

Google Scholar

Khan, O., Khan, ME, Yadav, AK & Sharma, D. Die ultraschallgestützte Optimierung der Biodieselproduktion aus Eukalyptusöl. Energiequellen Teil A 39(13), 1323–1331 (2017).

Artikel CAS Google Scholar

Aydına, M., Uslu, S. & Celik, MB Leistungs- und Emissionsvorhersage eines Selbstzündungsmotors, der mit Biodiesel-Diesel-Mischungen betrieben wird: Eine kombinierte Anwendung von ANN- und RSM-basierter Optimierung. Kraftstoff 269, 117472 (2020).

Artikel Google Scholar

Jo, J., Jadidi, Z. & Stantic, B. Ein drohnenbasiertes Gebäudeinspektionssystem mit Software-Agenten. In Intelligent Distributed Computing Studies in Computational Intelligence Vol. 737 (Hrsg. Ivanović, M. et al.) (Springer, 2018).

Google Scholar

Kumar, S. Abschätzungsfähigkeiten der Biodieselproduktion aus Algenölmischungen mithilfe des adaptiven Neuro-Fuzzy-Inferenzsystems (ANFIS). Energiequellen Teil A 42, 7 (2020).

Artikel Google Scholar

Khan, O., Khan, ME, Parvez, M., Ahmed, KAAR & Ahmad, I. Gewinnung und Experimentierung von Biodiesel, der aus Sickerölen von Deponien hergestellt wird, gekoppelt mit Nanoadditiven Aluminiumoxid und Kupferoxid auf Dieselmotoren. In Nanomaterialien für innovative Energiesysteme und -geräte 319–332 (Springer, 2022).

Kapitel Google Scholar

Seraj, M. et al. Analytische Forschung künstlicher intelligenter Modelle für die Bearbeitungsindustrie unter verschiedenen Umweltstrategien: Ein Industrie 4.0-Ansatz. Aufrechterhalten. Oper. Berechnen. 3, 176–187 (2022).

Artikel Google Scholar

Khan, O. et al. Eine Verbesserung der Leistung, der Verbrennung und der Emissionseigenschaften von Dieselmotoren, angetrieben mit Eichhornia crassipes-Öl und Kupferoxid-Nanopartikeln bei unterschiedlichen Einspritzdrücken. Energiequellen Teil A 44(3), 6501–6522 (2022).

Artikel CAS Google Scholar

Aghbashlo, M., Hosseinpour, S., Tabatabaei, M., Younesi, H. & Najafpour, G. Zur exergetischen Optimierung der kontinuierlichen photobiologischen Wasserstoffproduktion unter Verwendung des hybriden ANFIS-NSGA-II (adaptives Neuro-Fuzzy-Inferenzsystem nicht dominiert). Sortierung genetischer Algorithmus-II). Energie 96, 507–520 (2016).

Artikel CAS Google Scholar

Referenzen herunterladen

Diese Forschungsarbeit wurde von Institutional Fund Projects unter der Fördernummer gefördert. (IFPIP: 655-247-1443). Die Autoren danken dem Bildungsministerium und der King Abdulaziz University, DSR, Jeddah, Saudi-Arabien, für die technische und finanzielle Unterstützung.

Fakultät für Maschinenbau, Jamia Millia Islamia University, Neu-Delhi, 110025, Indien

Osama Khan

Fakultät für Maschinenbau, Al-Falah-Universität, Haryana, 121004, Indien

Mohd Parvez

Fakultät für Mathematik, König-Abdulaziz-Universität, Jeddah, Saudi-Arabien

Monairah Alansari

Fakultät für Mathematik, Dekanat für Bildungsdienste, Qassim-Universität, Buraidah, 51452, Saudi-Arabien

Mohammad Farid

Abteilung für Wärmetechnik, Saveetha School of Engineering, SIMATS, Chennai, Tamil Nadu, Indien

Yuvarajan Devarajan

Fakultät für Bauingenieurwesen, Universität Ambo, Ambo, Äthiopien

Subash Thanappan

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Sie können diesen Autor auch in PubMed Google Scholar suchen

Alle Autoren haben gleichermaßen zum Manuskript beigetragen.

Korrespondenz mit Yuvarajan Devarajan oder Subash Thanappan.

Die Autoren geben an, dass keine Interessenkonflikte bestehen.

Springer Nature bleibt neutral hinsichtlich der Zuständigkeitsansprüche in veröffentlichten Karten und institutionellen Zugehörigkeiten.

Open Access Dieser Artikel ist unter einer Creative Commons Attribution 4.0 International License lizenziert, die die Nutzung, Weitergabe, Anpassung, Verbreitung und Reproduktion in jedem Medium oder Format erlaubt, sofern Sie den/die Originalautor(en) und die Quelle angemessen angeben. Geben Sie einen Link zur Creative Commons-Lizenz an und geben Sie an, ob Änderungen vorgenommen wurden. Die Bilder oder anderes Material Dritter in diesem Artikel sind in der Creative Commons-Lizenz des Artikels enthalten, sofern in der Quellenangabe für das Material nichts anderes angegeben ist. Wenn Material nicht in der Creative-Commons-Lizenz des Artikels enthalten ist und Ihre beabsichtigte Nutzung nicht gesetzlich zulässig ist oder über die zulässige Nutzung hinausgeht, müssen Sie die Genehmigung direkt vom Urheberrechtsinhaber einholen. Um eine Kopie dieser Lizenz anzuzeigen, besuchen Sie http://creativecommons.org/licenses/by/4.0/.

Nachdrucke und Genehmigungen

Khan, O., Parvez, M., Alansari, M. et al. Anwendung künstlicher Intelligenz im Green-Building-Konzept für Energieaudits mittels Drohnentechnologie unter verschiedenen Umgebungsbedingungen. Sci Rep 13, 8200 (2023). https://doi.org/10.1038/s41598-023-35245-x

Zitat herunterladen

Eingegangen: 15. März 2023

Angenommen: 15. Mai 2023

Veröffentlicht: 21. Mai 2023

DOI: https://doi.org/10.1038/s41598-023-35245-x

Jeder, mit dem Sie den folgenden Link teilen, kann diesen Inhalt lesen:

Leider ist für diesen Artikel derzeit kein Link zum Teilen verfügbar.

Bereitgestellt von der Content-Sharing-Initiative Springer Nature SharedIt

Durch das Absenden eines Kommentars erklären Sie sich damit einverstanden, unsere Nutzungsbedingungen und Community-Richtlinien einzuhalten. Wenn Sie etwas als missbräuchlich empfinden oder etwas nicht unseren Bedingungen oder Richtlinien entspricht, kennzeichnen Sie es bitte als unangemessen.