એઆઈ પાયાની રોચક સફળતા: HVAC ઊર્જા કાર્યક્ષમતામાં ક્રાંતિ લાવવા માટે ડీప લર્નિંગ
Brief news summary
મેરિલેંડ યુનિવર્સિટી ના સેન્ટર ફોર એનવાયર્નમેન્ટલ એનર્જી એન્જિનિયરિંગ દ્વારા કરવામાં આવેલા અભ્યાસમાં HVAC સિસ્ટમ્સ માં ઊર્જા કાર્યક્ષમતા વધારવા માટે ડીપ લર્નિંગનો ઉપયોગ કરવામાં આવે છે. અભ્યાસનો ધ્યાન લંબણ ટૂંકા મોજું મેમરી (LSTM) મોડલ્સ પર છે, જે ગ્લેન એલ. માર્ટિન હોલના વેરિયેબલ રેફ્રિજરન્ટ ફ્લો (VRF) સિસ્ટમ માટે છે. વીજ વપરાશના ఖચાખચ અણホームનો કરવું મહત્વપૂર્ણ છે, કારણ કે HVAC સિસ્ટમ્સ લગભગ એક ઇમારતના ઇલેક્ટ્રિસિટી વપરાશના અડધાના હિસ્સા માટે જવાબદાર છે. સંશોધનમાં પરંપરાગત કૃતિમ ન્યુરલ નેટવર્ક્સ (ANN)ની તુલના LSTM સાથે કરવામાં આવે છે, જે બતાવે છે કે LSTM ઓછા કમ્પ્યુટેશનલ સ્રોતોનો ઉપયોગ કરીને ઉત્તમ જ્ઞાતન ચોકસાઈ પ્રાપ્ત કરે છે. મુખ્ય લેખક પો-ચિંગ હસુ નોંધ કરે છે કે ANNની જટિલતા છતાં, LSTM આગાહી કામગીરીમાં ઉત્તમ છે. ભૂતપૂર્વ CEEE સંશોધક લેઈ ગાઓ અને સહ-નિર્દેશક યુન્હો હ્વાંગ સાથે, ટીમ LSTMમાં HVAC ઊર્જા કાર્યક્ષમતામાં સુધારવા માટે મહત્વપૂર્ણ સંભાવના જોવા પામી છે. તેમ છતાં, તેઓ ડેટા ઓછી હોય ત્યારે LSTMની ચોકસાઈ જાળવી રાખવામાં પડકારો અવશ્ય છે.મૅરિલૅન્ડ યુનિવર્સિટીના એક અભ્યાસ જણાવે છે કે ડિપ લર્નિંગ, જે કૃત્રિમ બુદ્ધિમત્તા (AI)નો ઉन्नત સ્વરૂપ છે, ભવિષ્યના તાપમાન નિયંત્રણ, હવાના પ્રવાહ અને હવા વ્યવસ્થા (HVAC) પ્રણાલીઓને ઊર્જા વપરાશમાં નોંધપાત્ર ઘટાડ કરી શકે છે. યુએમડીના સેન્ટર ફોર એન્વાયર્નમેન્ટલ એનર્જી એન્જિનિયરિંગ (CEEE) દ્વારા કરવામાં આવેલા સંશોધનમાં AIના વર્ણન શર્માને વિવિધ રેફ્રિજન્ટ ફ્લો (VRF) સિસ્ટમમાં વપરાશના અગાઉ થયેલા અનુમાન પર કેન્દ્રિત કરવામાં આવ્યું હતું. આ ખાસ HVAC ટેક્નોલોજી, જેની વિગત માટે બહાર અને અનેક અંદરની એકમો છે, તેને ગ્લેન એલ. માર્ટિન હોલમાં પરીક્ષણ કરાયું હતું. તેઓના નિષ્કર્ષો આંતરરાષ્ટ્રીય કૂલિંગ જર્નલના જાન્યુઆરી 2025ના અંકમાં ઓનલાઇન પ્રકાશિત થશે. HVAC પ્રણાલીઓ મકાનની અંદર લગભગ અડધા વીજળીના વપરાશ માટે જવાબદાર છે અને VRF સિસ્ટમના નિયંત્રણને ઓપ્ટિમાઈઝ કરવું ચોક્કસ વીજળી વપરાશના અનુમાન પર આધાર રાખે છે. યુએમડીના સંશોધકોએ બે AI મૉડેલનું મૂલ્યાંકન કર્યું: પરંપરાગત આર્ટિફિશિયલ ન્યુરલ નેટવર્ક (ANN) અને નવા ડેટા-ગુણવત્તાવાળા લૉંગ-શોર્ટ-ટર્મ મેમરી (LSTM) મોડેલ.
બંને ડેટાનો વિશ્લેષણ કરીને પેટર્નને ઓળખે છે અને અનુમાન આપે છે, પરંતુ LSTMને વધુ ડેટાની જરૂર છે. આશ્ચર્યજનક રીતે, LSTM મોડેલ માત્ર વીજળી વપરાશનું વધુ ચોક્કસ અનુમાન જ નથી કરતું પરંતુ ANNની તુલનામાં ઓછું કમ્પ્યુટિંગ પાવર અને મેમરી માંગે છે. મેકેનિકલ એન્જિનિયરિંગ ગ્રેજ્યુએટ વિદ્યાર્થી અને મુખ્ય લેખક પો-ચિંગ હસુ મુજબ, ANN મોડેલ અનુમાન વિશેની ચોકસાઇ વધારવા માટે સંશોધન પ્રક્રિયામાં વધુ જટિલ મોડેલ બનાવવાની કોશિશ કરે છે, પરંતુ તેમ છતાં LSTM સાથેની તુલનામાં અનુમાનમાં ઓછું પડે છે. સહ-લેખકોમાં લેઈ ગાઓ પીએચ. ડી. ’22, જે હવે ઓક રિજ નૅશનલ લેબોરેટરીમાં છે, અને યુન્હો હ્વાંગ, મેકેનિકલ એન્જિનિયરિંગ સંશોધન પ્રોફેસર અને CEEE સહ-નિર્દેશક શામેલ છે. HVAC ટેક્નોલોજીમાં LSTM મોડેલનો ઉપયોગ હજી પણ શોધાણ હેઠળ છે, પરંતુ આ અભ્યાસ આ સંકેત આપે છે કે તે ઊર્જાની દક્ષતામાં નોંધપાત્ર સુધારો કરી શકે છે. LSTM મોડલ એક વર્ષના ડેટા દ્વારા વિકસિત કરાયો હતો. હસુએ ઉમેર્યું, "હવે પડકાર એ છે કે શું આપણે કંઇક દિવસો અથવા અઠવાડિયાના ડેટા સાથે સમાન ચોકસાઇ મેળવી શકીએ. "
Watch video about
એઆઈ પાયાની રોચક સફળતા: HVAC ઊર્જા કાર્યક્ષમતામાં ક્રાંતિ લાવવા માટે ડీప લર્નિંગ
Try our premium solution and start getting clients — at no cost to you
