Maryland Üniversitesi'nden bir araştırma, yapay zekanın (YZ) sofistike bir biçimi olan derin öğrenmenin, gelecekteki ısıtma, havalandırma ve klima (HVAC) sistemlerinde enerji tüketimini önemli ölçüde azaltabileceğini öne sürüyor. UMD Çevresel Enerji Mühendisliği Merkezi'nde (CEEE) yürütülen araştırmada, değişken soğutucu akışlı (VRF) bir sistemde güç kullanımını tahmin etmede YZ'nin etkisi incelendi. Glenn L. Martin Hall'da test edilen bu özel HVAC teknolojisi, bir dış ünite ve birkaç iç üniteye sahiptir. Bulguları, Ocak 2025'te Uluslararası Soğutma Dergisi'nde çevrimiçi olarak yayımlanacak. HVAC sistemleri, bir binanın elektrik kullanımının yaklaşık yarısından sorumludur ve bir VRF sisteminin kontrolünü optimize etmek, doğru güç tüketimi tahminlerine bağlıdır. UMD araştırmacıları iki YZ modelini değerlendirdi: geleneksel Yapay Sinir Ağı (ANN) ve daha yeni, veri yoğun Uzun-Kısa Dönem Hafıza (LSTM) modeli.

Her ikisi de veri analiz ederek kalıpları tanır ve tahminlerde bulunur, ancak LSTM daha fazla veri gerektirir. Beklenmedik bir şekilde, LSTM modeli sadece güç tüketimini daha doğru tahmin etmekle kalmadı, aynı zamanda ANN'den daha az hesaplama gücü ve bellek gerektirdi. Makine mühendisliği yüksek lisans öğrencisi ve baş yazar Po-Ching Hsu'ya göre, ANN modeli, optimizasyon sürecinde daha karmaşık bir model oluşturarak doğruluğu artırmaya çalışsa da LSTM'ye kıyasla yine de yetersiz kalıyor. Yazarlar arasında, şu anda Oak Ridge Ulusal Laboratuvarı'nda görev yapan Lei Gao Ph. D. '22 ve Makine Mühendisliği araştırma profesörü ve CEEE'nin eş direktörü Yunho Hwang yer alıyor. LSTM modelinin HVAC teknolojisindeki uygulaması hâlâ araştırılmakta olsa da, bu çalışma enerji verimliliğini önemli ölçüde artırabileceğini gösteriyor. LSTM modeli, bir yıllık veri kullanılarak geliştirildi. Hsu, "Şimdi asıl zorluk, birkaç gün veya haftalık veri ile aynı doğruluğu elde edip edemeyeceğimizi belirlemek" dedi.