Marylandi ülikooli uuring vihjab, et süvaõpe, mis on tehisintellekti (AI) keerukas vorm, võiks tulevaste kütte-, ventilatsiooni- ja kliimaseadmete (HVAC) süsteemide energiatarvet märkimisväärselt vähendada. Uuring, mis viidi läbi UMD Keskkonnaenergiatehnika Keskuses (CEEE), keskendus tehisintellekti mõjule võimsuse kasutuse prognoosimisel muutuva jahutusvedeliku voolu (VRF) süsteemis. Seda konkreetset HVAC tehnoloogiat, mille koosseisus on üks välistingimustes ja mitu sisetingimustes asuvat seadet, testiti Glenn L. Martini Hallis. Nende leiud avaldatakse veebis 2025. aasta jaanuari Rahvusvahelises Külmutusajakirjas. HVAC süsteemid moodustavad ligikaudu poole hoone elektritarbimisest ning VRF süsteemi juhtimise optimeerimine tugineb täpsetel energiatarbe prognoosidel. UMD teadlased hindasid kahte AI mudelit: traditsioonilist tehisnärvivõrku (ANN) ja uuemat, andmemahukat pika- ja lühiajalise mälu (LSTM) mudelit.

Mõlemad analüüsivad andmeid mustrite tuvastamiseks ja prognooside tegemiseks, kuid LSTM nõuab rohkem andmeid. Ootamatult oli LSTM mudel mitte ainult täpsem energiatarbe ennustamisel, vaid vajas ka vähem arvutusvõimsust ja mälu kui ANN. Po-Ching Hsu, mehaanikainseneri magistrant ja juhtiv autor, selgitas, et ANN mudel püüab täpsust suurendada, luues optimeerimisprotsessi käigus keerukama mudeli, aga jääb endiselt LSTM-ile alla. Kaastöötajate hulka kuuluvad Lei Gao Ph. D. ’22, kes töötab nüüd Oak Ridge'i Riiklikus Laboratooriumis, ja Yunho Hwang, mehaanikainseneri teadusprofessor ja CEEE kaasdirektor. Kuigi LSTM mudeli rakendamine HVAC tehnoloogiasse on endiselt väljatöötamisel, näitab see uuring, et see võiks energiatõhusust märkimisväärselt parandada. LSTM mudel töötati välja, kasutades aasta jagu andmeid. Hsu lisas: „Väljakutseks on nüüd kindlaks teha, kas sama täpsust saab saavutada vaid mõne päeva või nädala andmetega. ”