Application de l'intelligence artificielle dans le concept de bâtiment écologique pour l'audit énergétique à l'aide de la technologie des drones dans différentes conditions environnementales

Rapports scientifiques volume 13, Numéro d'article : 8200 (2023) Citer cet article

1698 accès

9 Altmétrique

Détails des métriques

Les pertes thermiques dues à la faiblesse de l'enveloppe du bâtiment sont responsables des crises énergétiques mondiales actuelles. L'application de l'intelligence artificielle et des configurations de drones dans les bâtiments écologiques peut aider à fournir la solution durable que le monde recherche depuis des années. La recherche contemporaine intègre un nouveau concept de mesure des résistances thermiques d'usure dans l'enveloppe du bâtiment à l'aide d'un système de drone. La procédure ci-dessus effectue une analyse globale du bâtiment en tenant compte de trois paramètres environnementaux principaux tels que la vitesse du vent (WS), l'humidité relative (RH) et la température du bulbe sec (DBT) à l'aide de la procédure de cartographie thermique des drones. La nouveauté de l'étude peut être interprétée par le fait que les recherches antérieures n'ont jamais exploré l'enveloppe du bâtiment à travers une combinaison de drones et de conditions climatiques en tant que variables dans les zones de construction difficiles d'accès, offrant ainsi une lecture plus facile, sans risque, rentable et efficace. . La validation de la formule est authentifiée en utilisant des logiciels basés sur l'intelligence artificielle qui sont appliqués pour la prédiction et l'optimisation des données. Des modèles artificiels sont établis pour valider les variables de chaque sortie à partir du nombre spécifié d'entrées climatiques. Les conditions optimales de Pareto atteintes après analyse sont 44,90 % HR, 12,61 °C DBT et 5,20 km/h WS. Les variables et la résistance thermique ont été validées avec la méthode de méthodologie de surface de réponse, présentant ainsi le taux d'erreur le plus bas et la valeur R2 complète, qui sont respectivement de 0,547 et 0,97. Désormais, l'utilisation de la technologie basée sur les drones pour estimer les écarts d'enveloppe du bâtiment avec la nouvelle formule, donne une évaluation cohérente et efficace pour le développement de la construction verte, réduisant simultanément le temps et le coût de l'expérimentation.

Ces derniers temps, les besoins en énergie ont considérablement augmenté alors que les ressources de production d'énergie se sont considérablement dégradées. Cela a conduit les chercheurs à trouver des méthodes alternatives de préservation de l'énergie afin de répondre aux futures demandes potentielles. En Inde, les pertes globales dues aux variations de température dans l'enveloppe du bâtiment sont estimées à environ 41 % des besoins énergétiques d'origine des bâtiments (MOE). Les bâtiments actuels à travers le monde sont soumis à d'importantes pertes d'énergie qui peuvent être principalement dues à des circonstances inamovibles1,2. Ces bâtiments sont connus pour sous-performer sur la base de l'efficacité, principalement dans les pays sous-développés et en développement, différant ainsi de la conception originale de la construction verte. Selon une étude récente3, environ 63 % de l'énergie produite provient de bâtiments de type résidentiel ou industriel. Une enquête de données plus large dans toute l'Inde pour l'exercice 2018-2019 a estimé que la puissance totale produite par les services publics était d'environ 1372 (Tera Watt-h)4. Ces utilitaires comprennent principalement des activités d'intérieur comme les machines à café, les micro-ondes, le chauffage, etc.5,6. Dans les pays en développement, le gouvernement a pris des mesures pour réduire ces pertes d'exergie en incorporant des systèmes intelligents dans les bâtiments7. Cette énergie, si elle n'est pas correctement utilisée, entraîne des pertes substantielles pour l'économie d'un pays et pour l'environnement8.

Le besoin actuel est de trouver des moyens efficaces pour limiter ces pertes et économiser les ressources pour un avenir fructueux. Un moyen efficace de vérifier et de surveiller ces pertes est l'évaluation des pertes de chaleur à travers l'enveloppe du bâtiment9,10. L'enveloppe du bâtiment comprend principalement toutes les configurations du bâtiment telles que les murs, le plafond, les fenêtres, les cloisons et les portes. Ces appareils sont des éléments essentiels des pertes de chaleur dans une configuration de bâtiment puisque la transfusion d'énergie thermique se produit tout au long de la journée car les conditions climatiques varient pendant 24 h11,12. Ces différences peuvent être considérées comme les principales raisons des pertes d'énergie, diminuant désormais l'efficacité globale du bâtiment13. Dans certaines études, ces pertes sont directement liées à des structures de bâtiment ayant un revêtement extérieur global faible14. Ces pertes sont un amalgame de divers appareils de construction qui peuvent avoir une qualité inférieure d'isolation appliquée à l'extérieur de ces appareils. De plus, les structures anciennes ont tendance à s'affaiblir au fil des ans, ce qui entraîne des pertes d'énergie substantielles15. De plus, l'infiltration constante d'air extérieur par diverses fissures et ouvertures peut également accroître la demande énergétique16. Les écarts spécifiés ci-dessus peuvent être réglés en appliquant des matériaux de meilleure qualité au début du bâtiment, en réparant les conceptions existantes, en colmatant les vides d'air et les fissures17. Des études antérieures ont utilisé l'isolation pour réduire les pertes d'énergie des bâtiments18, conduisant à une meilleure efficacité énergétique et emprisonnant l'air plus frais en été et l'air plus chaud en hiver. La réduction simultanée de la chaleur thermique et de la teneur en humidité à l'intérieur des pièces peut réduire les besoins énergétiques19. Dans les littératures antérieures, le circuit de transfert de chaleur spécifié doit être évalué afin de prendre en compte la charge du bâtiment et les pertes d'énergie dans la structure du bâtiment20,21. Souvent, l'enveloppe du bâtiment est contrôlée par un seul facteur connu sous le nom de valeur R, également stipulée comme résistance thermique22.

Les littératures antérieures ont rarement exploré la combinaison de la surveillance par drone sous l'influence de conditions climatiques variables23,24,25. L'examen systématique de Halder et Afsari25 explore l'utilisation de robots pour l'inspection et la surveillance des bâtiments et des infrastructures. Alkaabi et al.26 proposent l'utilisation de l'imagerie thermique 3D capturée par drone pour surveiller l'environnement thermique des bâtiments et des espaces piétonniers afin de contribuer au développement de villes durables. Kopp et al.27 présentent une méthode pour estimer la perte de chaleur radiative des enveloppes de bâtiments à l'aide de modèles thermographiques 3D créés avec de petits systèmes aériens sans pilote (sUAS). Oh et al.28 proposent un schéma de traitement d'image assisté par drone utilisant l'identification de l'emplacement basée sur la trame pour la détection des fissures et des pertes d'énergie dans les enveloppes des bâtiments. Zheng et al.29 présentent une méthode de détection des performances thermiques des enveloppes de bâtiments basée sur un modèle 3D généré par imagerie thermique UAV.

De plus, les auteurs n'ont trouvé aucun article validant les résultats de la surveillance des bâtiments par le biais d'un modèle développé artificiellement intelligent. Il aide à identifier les principales lacunes dans la configuration du bâtiment et aide également au développement de concepts d'économie d'énergie appropriés afin d'améliorer les performances de travail globales pour toute configuration structurelle30,31. De plus, l'utilisation de la technologie infrarouge dans les systèmes de drones dans le passé a donné des résultats efficaces32,33.

L'étude vise à intégrer des techniques intelligentes pour le développement d'une formule permettant de mesurer avec précision la température des murs d'un bâtiment avec un drone. La recherche se concentrera sur l'identification de la précision et de la fiabilité de l'utilisation d'un drone pour mesurer les températures des parois, ainsi que sur les limites et les défis associés à cette méthode. L'étude pourra également évaluer la faisabilité d'utiliser des drones pour des mesures de température à grande échelle d'immeubles de grande hauteur. La portée de l'étude impliquera le développement d'une formule qui intègre des techniques intelligentes pour mesurer avec précision la température des parois, ainsi que les applications potentielles et les recommandations pour les recherches futures dans ce domaine. Bien que plusieurs études aient été menées dans le domaine de l'IA et du bâtiment écologique, la découverte d'écarts dans l'enveloppe du bâtiment par des drones est encore rare et, à la connaissance des auteurs, n'a jamais été explorée jusqu'à présent. La nouveauté de l'enquête existante est répandue puisqu'absolument aucun travail antérieur n'a été signalé pour améliorer les performances des bâtiments et réduire la consommation d'énergie pour réaliser des bâtiments écologiques tout en utilisant des modèles de prédiction (ANFIS) à partir d'un audit de bâtiments basé sur des drones tout en tenant compte des fluctuations environnementales. Les littératures antérieures ont également montré l'importance des techniques informatiques douces, de préférence la méthode ANN, pour prédire avec précision la charge de construction dans une période de temps plus courte avec un ensemble de données plus petit34. En outre, des recherches antérieures ont également utilisé la méthode de la méthodologie de surface de réponse (RSM) car elle est puissante pour produire une procédure de test expérimentale viable même pour un problème où la génération de données pourrait être un problème, en particulier dans les gratte-ciel35.

En ce qui concerne les informations expliquées ci-dessus, les chercheurs sont parvenus à une perspective de dérivation commune, comme expliqué ci-dessous :

L'utilisation de systèmes basés sur des drones dans la construction pour estimer la réalisation d'une construction écologique en trouvant la valeur R démontre une opportunité pratique et raisonnable concernant son fonctionnement non complexe et sa cause sociale.

L'étude de la résistance thermique pour de nombreux paramètres environnementaux tout en s'engageant avec des logiciels intelligents utilisant une combinaison d'ANFIS et de RSM ensemble a rarement été étudiée dans les travaux précédents.

La formule d'Osama établie pour générer des variables environnementales produit des ensembles de données assez proches de ceux obtenus lors de la réalisation de tests en temps réel pour les bâtiments écologiques.

Les littératures précédentes (en particulier dans les domaines de l'ingénierie thermique) ont souligné l'importance d'unir les représentations de prévision informatique souple pour la mesure de la puissance de l'enveloppe du bâtiment, présentant des caractéristiques précises de valeur R grâce à un travail appliqué, à l'argent appliqué et à la force humaine appliqués36,37.

Les sections suivantes comprennent la procédure de collecte de données et l'équipement requis pour le processus.

La physique primordiale associée à la recherche s'explique par l'interconnexion des résultats obtenus lors de l'expérimentation est validée par le modèle développé. La théorie principale de la recherche consiste à collecter des données à partir de l'enveloppe faible du bâtiment à l'aide d'images thermiques de drones. De plus, ces modèles sont simulés dans différents climats. La lecture est utilisée pour développer une formule. La validation de la formule est effectuée par des modèles d'IA développés qui montrent une cohérence dans les résultats car les niveaux de précision sont élevés entre la lecture expérimentale et les lectures du modèle développé. L'étape initiale de fonctionnement des procédures d'exploitation est réalisée en pré-expliquant les entrées, suivie de la définition des résultats de l'étude. L'enquête d'essai est fournie en choisissant des contraintes environnementales qui comprennent la température de bulbe sec (DBT), la vitesse du vent (WS) et l'humidité relative (RH). Pour l'ensemble d'entrées proposé, la résistance thermique et la perte de chaleur seront évaluées pour l'ensemble de l'enveloppe du bâtiment. Pour fournir les critères ci-dessus, une combinaison de techniques de prédiction-optimisation a été utilisée, qui fournit une analyse comparative entre les lectures expérimentales et pronostiquées décrites en plusieurs phases consécutives : (a) Rassembler des ensembles de données liés aux données expérimentales et regrouper les ensembles de données sur la base de la formation et feuilles de test dans un fichier Excel séparé, (b) création de modèles sur la base des conditions environnementales génération de données hypothétiques grâce à la nouvelle formule nommée Osama (c) reconnaissance du modèle le plus performant dans le logiciel d'intelligence artificielle pour évaluer la présentation de la structure du bâtiment, (d) Examen relatif parmi les conséquences de l'intelligence artificielle, des cadres d'investigation et hypothétiques pour la détection la plus fine de la perte de chaleur parmi eux et (e) En conclusion, simplification et authentification des résultats avec les représentations précédentes.

La recherche actuelle vise principalement à évaluer la valeur R de divers appareils dans une configuration de bâtiment existante grâce à des estimations expérimentales et théoriques dans différentes conditions environnementales. La configuration de l'équipement utilisée dans l'étude était une caméra infrarouge montée sur drone et une caméra infrarouge portable pour contempler la résistance thermique de tous les murs dans une configuration de bâtiment vieillissant. Un drone Tello intégré à une caméra Flir vue pro capable de prendre des photos infrarouges rapides a été utilisé en combinaison avec une caméra portable d'imagerie thermique pour une collecte rapide des données dans cette étude. La vue tridimensionnelle du drone de test attaché à la caméra est affichée sur la Fig. 1. L'analyse a été effectuée sur un certain nombre de bâtiments à New Delhi. Une feuille d'aluminium a été utilisée, qui a d'abord été émiettée, puis aplatie et ensuite collée sur le mur d'essai dont la valeur R doit être examinée. La caméra a focalisé un faisceau lumineux vers la feuille d'aluminium émiettée qui a détecté la température réfléchie. La feuille émiettée est illustrée à la Fig. 2.

Différentes vues d'un arrangement Drone-caméra.

Feuille d'aluminium émiettée.

La différence dans les besoins énergétiques au cours de l'audit peut être interprétée comme le fait que le bâtiment a été conçu pour une consommation d'énergie lors de la conception initiale qui s'est détériorée au fil des ans et nécessite donc un audit pour identifier l'emplacement exact des pertes. Si cette structure est correctement identifiée et réisolée, elle peut économiser des milliards de roupies par an. Les informations expérimentales et théoriques fournies pour faire évoluer le modèle pronostiqué ont été générées à partir de l'arrangement UAV-IR. Cette note technique de configuration est donnée ci-dessous dans le tableau 1.

L'accumulation de données et l'expérimentation sont accomplies par l'organigramme suivant affiché à la Fig. 3. Dans la section suivante, la spécification de construction est fournie pour comprendre la zone de test de l'expérience.

Organigramme pour le fonctionnement de l'arrangement drone-caméra.

La technique de thermographie infrarouge est utilisée pour déterminer les pertes de chaleur dans la configuration du bâtiment à New Delhi, en Inde. Un drone Tello intégré à la caméra infrarouge Flir Vue pro est utilisé pour obtenir des informations associées aux structures des bâtiments. Les données collectées ont été simulées à l'aide des logiciels « SmartView » et « FLIR Reporter Pro ». La présente recherche était basée sur les normes spécifiées par la norme ISO 6946:200738, également connue sous le nom de normes internationales spécifiées pour les éléments de l'enveloppe du bâtiment. La norme fournit quelques méthodes et stratégies pour évaluer la résistance thermique ou la valeur R de tous les principaux éléments de construction. Les hypothèses suivantes pour la construction ont été prises en compte avant les tests :

Le bâtiment a été construit selon les codes et normes du bâtiment en vigueur.

Les matériaux de construction et les composants utilisés dans la construction sont de qualité et de durabilité appropriées.

Le bâtiment n'est pas soumis à des risques environnementaux ou naturels importants qui pourraient affecter son intégrité structurelle ou sa sécurité.

Les occupants de l'immeuble utilisent les installations conformément aux directives et règlements appropriés.

La méthode aide à obtenir le taux de transfert de chaleur à travers les éléments de l'enveloppe du bâtiment. La raison principale de l'évaluation de la valeur R donne des informations précieuses concernant l'enveloppe du bâtiment qui peut nécessiter des réparations en appliquant des isolations aux endroits précis du bâtiment. La recherche met également en évidence les zones de détérioration de l'isolation, les fuites de chaleur et les pertes d'énergie qui y sont associées. La recherche souligne en outre comment ces pertes d'énergie peuvent être rectifiées en mettant l'accent sur la fourniture d'une procédure rentable. Cela permet au bâtiment de devenir économe en énergie en fournissant un environnement durable. La valeur R totale calculée est affichée dans le tableau 2. La section suivante explique le développement de la nouvelle formule.

Les méthodes conventionnelles utilisées pour déterminer la résistance thermique ne sont pas tout à fait efficaces car elles ne tiennent pas compte des changements des paramètres environnementaux (DBT, RH et WS)26. La formule conventionnelle pour évaluer la résistance thermique sans tenir compte de la variation des conditions ambiantes est fournie dans l'équation. (1):

La présente étude intègre un drone intégré avec caméra infrarouge qui capture des images thermiques qui doivent ensuite être transférées dans un logiciel pour le calcul de la valeur R pour les immeubles de grande hauteur tout en tenant compte des paramètres environnementaux. La principale raison de l'évaluation de la valeur R tout en tenant compte des paramètres environnementaux donne des informations précieuses concernant l'enveloppe du bâtiment qui peut nécessiter des réparations en appliquant des isolations aux endroits précis du bâtiment. des études antérieures ont utilisé une formule similaire mais sans tenir compte de l'émissivité du mur extérieur qui est difficile à mesurer et à accéder27,28. L'étude actuelle obtient cette température avec facilité en concentrant le laser de la caméra thermos-graphique sur une feuille d'aluminium et un ruban noir fixé à différents endroits du bâtiment. Ces valeurs sont mesurées par les variables OK1.

Une nouvelle formule Osama est développée pour mesurer la résistance thermique de n'importe quel mur à l'aide d'un drone en tenant compte des conditions ambiantes. De plus, l'influence des paramètres de l'environnement d'entrée est dérivée en interpolant la variation des deux variables (Ok2) développées dans la formule qui était auparavant sous-estimée et jamais prise en compte dans les études antérieures29. Les facteurs environnementaux tels que DBT, RH, WS, le coefficient de transfert de chaleur par convection (h) ont un impact important sur le processus de détection de température, ce qui conduit à envisager la valeur R. Les variables Ok1 et Ok2 tiennent compte des effets de l'humidité relative, de la vitesse du vent et de la température du bulbe sec sur la résistance thermique. La formule a été validée en testant sa précision et sa capacité prédictive avec le logiciel ANFIS par les outils statistiques RMSE et R2. L'impact des paramètres ci-dessus sur la formule et les deux constantes a été confirmé avec un test statique connu ANOVA pour déterminer le niveau de signification pour chaque paramètre environnemental d'entrée. La formule fournie ci-dessous est utilisée pour calculer la valeur R pour n'importe quel mur dans n'importe quelle condition environnementale. Cette formule aidera à réduire les pertes de chaleur à travers les murs en prédisant les détériorations de l'enveloppe du bâtiment, comme indiqué dans l'équation. (2):

où Rth est la résistance thermique du mur, Tinside air est la température intérieure du bâtiment (probablement maintenue à 22 °C), Toutside air est la température extérieure ou température ambiante (également appelée DBT), Toutside mur réfléchi est la température estimée avec la caméra après réflexion sur une feuille d'aluminium, hconv est le coefficient de transfert de chaleur par convection, ε est l'émissivité, σ est la constante de Stefan-Boltzmann et Ok1 et Ok2 sont les variables d'Osama.

Principalement, ce modèle peut être fourni comme un modèle global et flexible applicable à tous les environnements à travers le monde. Ce modèle est réalisable car il est rentable et efficace en termes de pertes d'énergie dans toutes les enveloppes de bâtiment et reproduit les valeurs obtenues par l'expérimentation. Le cadre actuel peut être utilisé par les chercheurs pour estimer les économies réalisées qui peuvent être utilisées pour l'élément de l'enveloppe du bâtiment avec une valeur R inconnue. La validation de la formule développée est expliquée dans la section suivante.

Le modèle ANFIS peut être fourni en utilisant le cadre Takagi – Sugeno et le cadre Mamdani. La présente recherche a choisi la première méthode pour obtenir un travail réalisable car le nombre d'entrées variait à différents niveaux. Les entrées ont été introduites dans le modèle et ont créé le cadre comme le montre la Fig. 4. Trois modèles ont été créés puisque les sorties étaient la résistance thermique et leurs variables. La validité de la présente recherche peut être établie en comparant les problèmes d'ingénierie antérieurs qui ont également établi les modèles sur le cadre actuel avec la plus grande efficacité puisque ces problèmes sont si souvent limités, non linéaires et incertains. Les applications récentes relatives aux résultats efficaces ont ouvert la popularité de l'ANFIS car il s'agit d'un outil de premier plan pour déterminer une relation réalisable entre plusieurs entrées pour de nombreuses sorties. Un modèle Sugeno se compose de six étapes principales commençant par l'étape préliminaire des contraintes d'entrée, suivies par la couche de fuzzification, la couche de conséquence de règle, la couche de normalisation de la force de règle, la couche de conséquence de règle et enfin la couche d'inférence de règle. Le développement d'un algorithme viable facilite la théorie floue et la création de différentes appartenances en suivant un ensemble d'étapes comme expliqué entre les équations. (3)–(12). Au cours de l'expérimentation, trente-deux nombres de tests d'essai ont été fournis et ont ensuite été divisés en ensembles de données, l'un pour la formation (24) et l'autre pour les tests (8). Le contexte complet expliqué pour l'algorithme de Sugeno est présenté dans le tableau 3.

Cadre du modèle ANFIS.

Les couches ci-dessus sont expliquées empiriquement en appliquant les formules ANFIS pour obtenir les résultats finaux :

Etape 1 : Etape de fuzzification

Etape 2 : Etape produit :

Etape 3 : Etape normalisée :

Étape 4 : Étape de défuzzie :

Étape 5 : Étape Rendement global :

Les approches orthodoxes appliquées à ces types de problèmes complexes nécessitent beaucoup de temps et de main-d'œuvre qualifiée pour développer la faisabilité entre les variables d'entrée et les résultats finaux. À l'inverse, les techniques informatiques douces sont capables de fournir une inter-relation réalisable tout en générant simultanément des résultats efficaces sans l'obligation d'un ensemble de données précédent. Les approximations et les calculs générés à partir de la procédure ANFIS peuvent en outre être affinés en améliorant l'exactitude et la productivité grâce à l'engagement de la méthode RSM.

Fréquemment, la maniabilité d'ANFIS commence à se détériorer pour les problèmes où le nombre d'entrées devient supérieur à neuf techniques, car les résultats peuvent être piégés à l'intérieur des optima locaux. De plus, les rendements contradictoires obscurcissent l'avancement de l'algorithme. Pour surmonter cette complication, une formule hybride appelée formule d'Osama est établie, capable de prendre en compte toutes les difficultés du processus de mesure des conditions climatiques tout en dérivant rapidement et efficacement les complications liées au bâtiment composite.

Toutes les principales données appliquées et générées dans les modèles ANFIS sont fournies dans le tableau. L'écart dans le modèle développé pourrait être expliqué avec des outils statistiques tels que le coefficient de détermination (R2) et l'erreur quadratique moyenne (RMSE) fournis dans les équations. (13) et (14), respectivement.

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

RMSE = Root Mean Square Error, R2 = Fraction of Variance, Pi = Valeur prévisionnelle obtenue à partir de la modélisation, Ei = Valeur expérimentale générée, Em = Moyenne des valeurs prédites générées à partir des modèles, N = Données disponibles, i = La valeur d'essai doit être calculé.

Pour développer un ensemble d'essais réalisable où les relations d'entrée et de sortie peuvent être obtenues, nous utilisons une méthodologie de surface de réponse, qui est capable de relier les nombreuses entrées avec les résultats spécifiés de l'étude. Pour cette étude également, nous avons relié les 32 essais avec leurs équations d'ajustement respectives. De plus, le modèle de relation établi spécifiait les nouvelles valeurs extrêmes pour toutes les contraintes d'entrée. La modélisation par drone implique plusieurs ensembles d'entrées qui ont été établies à partir d'ensembles de données validés à partir d'études de littérature précédentes qui établissent la viabilité des données expérimentales et du développement de modèles. Pour les niveaux pré-spécifiés, les gammes développées étaient fortement liées aux apports expérimentaux acquis, dont les effets n'étaient pas bénéfiques pour les résultats finaux. Les contraintes climatiques comprenaient une température de bulbe sec comprise entre 2 et 41 °C, une humidité relative comprise entre 20 et 80 % et une vitesse du vent comprise entre 0 et 15 km/h. Tous les essais ont été dirigés pour des murs de structure divers soumis à des dimensions géométriques complexes pour de nombreuses circonstances climatiques (DBT, RH et WS) pour les variables de la nouvelle formule afin d'obtenir la meilleure combinaison entre elles en fonction des résultats. À partir de l'interprétation du modèle, différentes équations d'ajustement ont été développées pour tous les résultats et expliquées dans les sections suivantes. L'enquête comprend de nombreux facteurs de contrôle, des normes numériques et codées actives dans la collection centrale de conception rotative composite (CCRD) prévue par la convention, couvrant les trente-deux essais. Un ensemble complet d'informations dans des circonstances climatiques distinctes est présenté à l'annexe 1.

Un vaste domaine a impliqué avec succès la technique RSM pour fournir des valeurs pronostiques de manière plus rapide et efficace, tout en simulant le problème en fonction de ses besoins. L'outil optimise également les réponses en fonction de l'ensemble des paramètres disponibles. Désormais, RSM est souvent utilisé pour effectuer des simulations, optimiser et faire varier les niveaux d'un nombre quelconque d'entrées pour un ensemble de données spécifique. Les ensembles de données étudiés sont perçus avec la méthode de régression de surface de réponse modélisation polynomiale du second ordre qui ont été construits au moyen de l'équation. (15):

où Y est le résultat requis, Xi sont les valeurs numériques des facteurs, tandis que les termes β0, βi , βii et βij sont des coefficients de régression, i et j sont des coefficients linéaires et quadratiques et ε est l'erreur expérimentale. Des graphiques de surface de réponse ont été tracés à l'aide de ces représentations ajustées.

Plusieurs paramètres sont variés pour analyser le dégagement de chaleur thermique des murs d'essai. Principalement, les paramètres environnementaux ont été modifiés par rapport à diverses lectures expérimentales pour les constantes en tant que sorties. Théoriquement, le taux de dégagement de chaleur (HRR) peut être estimé avec les équations suivantes :

où, dQG/dӨ prescrit la proportion de transfert de chaleur totale, dQN /dӨ la proportion de transfert de chaleur nette et dQht /dӨ la proportion de transfert de chaleur aux parois.

Pour simplifier l'analyse, la formule théorique considère que l'air se comporte comme un gaz parfait, où le terme dQN /dӨ désigne la somme du taux de travail effectué et du taux de variation de l'énergie interne sensible dans la pièce d'un bâtiment particulier. C'est,

où la chaleur spécifique à volume constant est désignée par \({C}_{v}\) et le rapport de chaleur spécifique par \(\gamma\).

Le rejet du coefficient de température lors de la différenciation conduit à l'équation suivante :

L'équation ci-dessus comprend un coefficient de transfert de chaleur (h), Twall qui indique la température moyenne atteinte dans les murs de la pièce et As qui est la surface du mur37. Considérant le fluide (air) subissant un écoulement turbulent, l'équation par laquelle on peut estimer est donnée par la formule suivante :

où les valeurs constantes varient entre, \(0,35

L'étude des taux d'erreur est évaluée à travers les défauts des équipements équivalents. Les incertitudes inhérentes sont toujours associées à différents ensembles d'instruments lors de la mesure des paramètres d'entrée et de sortie. L'objectif principal de cette section est de réduire ces erreurs et de maximiser l'efficacité du résultat final. De plus, les recherches combinées à la section d'analyse des incertitudes sont jugées exactes. Les incertitudes peuvent être disponibles avec différents ensembles d'outils, d'équipements de mesure, de main-d'œuvre non qualifiée et de conditions environnantes inappropriées. Par conséquent, pour obtenir un sentiment de fiabilité, toutes les variables sont mesurées trois fois pour chaque mur accessible.

En général, différentes techniques sont utilisées pour estimer la quantification des paramètres expérimentaux (climatiques) et les paramètres de sortie (Ok1, Ok2 et R-value) apportent une erreur mineure lors de l'expérimentation. Toutes les erreurs présentes dans l'équipement de l'analyse expérimentale sont pré-arrangées dans le tableau 4. L'ensemble du taux d'erreur est accessible dans cette expérimentation en employant une formulation empirique établie ci-dessous :

Le taux d'erreur total = ± 1,02 %

Le taux d'erreur total estimé pour la configuration expérimentale est de ± 1,02 %, se situant ainsi dans un tableau normal.

Cette section particulière explique la procédure appliquée pour obtenir les données de base nécessaires pour calculer la valeur R à partir de la configuration du drone et de la caméra infrarouge. La section souligne également à quel point la précision dépend des conditions atmosphériques autour du drone afin de générer des données impartiales. Le critère de base derrière la collecte de données est la stabilité du drone afin de générer un maximum de photos du mur requis. De plus, il faut veiller à ne limiter le nombre de photos qu'à 10 par mur car le stockage sur le drone est limité. Le drone, après avoir atteint une hauteur particulière, capture des photos par imagerie thermique, puis estime davantage les pertes de chaleur à travers chaque mur. Les drones sont probablement utilisés dans les immeubles de grande hauteur ou de grande hauteur où la portée de l'homme peut devenir un travail fastidieux. Les hypothèses suivantes sont prises en compte avant d'analyser les ensembles de données d'investigation, comme indiqué ci-dessous :

Des conditions climatiques normales ont été observées avant le vol du drone, à savoir la probabilité d'averses, la vitesse du vent, la température du bulbe sec et l'humidité ambiante. L'humidité a fluctué entre 20 et 80 %, la vitesse du vent d'environ 15 km/h et le DBT a fluctué entre 2 et 41 °C.

De plus, les contraintes d'équilibrage et de différence de hauteur des drones sont prises en compte dans le guide des drones pour un vol correct.

Les images thermiques ont été prises une fois que le drone a atteint la hauteur requise. Un enregistrement précoce entrave la durée de vie de la batterie du drone. Une longue durée de vie de la batterie est nécessaire pour terminer l'opération pour tous les murs principaux.

Les données capturées ont été avancées dans le cadre du modèle pour plus de calculs dans la valeur R pour chaque mur.

Le temps total nécessaire pour terminer le processus de collecte de données est d'environ 20 h (4 h par jour) à différents moments de la journée pour atteindre l'uniformité des résultats. La durée totale était de deux mois afin de couvrir la plupart des conditions climatiques en un mois, comme indiqué dans le tableau 5. Une explication plus détaillée des essais est fournie dans la section supplémentaire. A3.

Les drones offrent plusieurs avantages par rapport aux méthodes traditionnelles d'inspection des bâtiments lorsqu'il s'agit de détecter et d'évaluer la détérioration des bâtiments. L'un des principaux avantages des drones est leur capacité à accéder aux zones difficiles d'accès, telles que les toits et les façades, sans avoir besoin d'échafaudages ou d'autres équipements coûteux. Cela permet des inspections plus approfondies et peut aider à identifier les problèmes qui pourraient autrement être manqués. De plus, les drones équipés de caméras haute résolution et d'autres technologies de détection peuvent fournir des images et des données détaillées qui peuvent être utilisées pour identifier les problèmes structurels, l'intrusion d'humidité et d'autres signes de détérioration. Enfin, les drones peuvent être exploités à distance, ce qui réduit la nécessité pour les travailleurs humains de se trouver dans des situations potentiellement dangereuses. Dans l'ensemble, les drones offrent une méthode plus sûre, plus efficace et plus efficace pour l'inspection et l'entretien des bâtiments, ce qui en fait un choix de plus en plus populaire pour les propriétaires et les gestionnaires d'immeubles.

Le processus de collecte de données était largement basé sur une technique simple consistant à faire voler le drone à une hauteur spécifique où la valeur R doit être estimée. De plus, les photos ont été prises à une distance particulière ni trop proche ni trop éloignée. Un processus d'obtention rapide de données a été utilisé, basé sur 3 procédures simples ; diriger, concentrer et capturer l'image thermique. Le segment spécifique élucide l'importance de détecter les défauts du bâtiment lors de la conception des exigences en matière de matériaux isolants pour les enveloppes du bâtiment. Les valeurs ont été atteintes avec un soin suprême, avec une attention particulière pour fournir un processus approprié de quantification de l'itinéraire, de l'absorption, de la clarté du courant ascendant, de la portée du courant et de la distance. Le processus doit être effectué assez rapidement en raison de quoi la nature des substances peut ne pas être prise en considération. Les valeurs sont ensuite ajustées en fonction des valeurs présentes dans le logiciel.

Dans le processus de détection des drones, la température ambiante est un paramètre opérationnel essentiel qui influence considérablement le processus de mesure de la température et peut donc être modifié au moyen d'une formule hybride. Des niveaux fréquemment élevés de températures ambiantes peuvent constituer une barrière pour des mesures de température correctes dans la zone du mur, car le courant d'air chaud présent à l'avant de la caméra peut être lié à une température plus élevée. Au contraire, l'occurrence de la brise offre une lecture inférieure dans l'appareil photo. Ainsi, l'existence d'un tirant d'eau positif entraîne des incertitudes dans les valeurs mesurées qui peuvent être supprimées en considérant les variables Ok1 et Ok2 qui incertitudes environnementales en considération lors de l'estimation de la quantité de dégradation dans n'importe quel mur. L'inter-relation entre les variables mutuelles peut être comprise avec les Figs. 5 et 6.

Variation de Ok1 avec DBT.

Variation de Ok2 avec DBT.

Les différences d'humidité ambiante sont estimées pour les conditions de fonctionnement des bâtiments, l'utilisation d'une intégration drone-caméra montrant un rôle prépondérant dans la fourniture de la résistance thermique. L'apparition de niveaux plus élevés d'humidité dans les climats entraîne des incertitudes dans le processus de mesure par drone-caméra en raison de la formation de gouttelettes à la surface de l'aluminium et du ruban noir. De plus, une couche de gouttelettes d'eau humides s'accumule sur la structure du mur là où la température réfléchie doit être mesurée. Ces erreurs inhérentes peuvent être annulées ou évitées en incorporant des variables développées dans la formule développée pour évaluer la valeur R. La relation des variables développées avec RH peut être interprétée par les Figs. 7 et 8 affichés ci-dessous.

Variation de Ok1 avec RH.

Variation de Ok2 avec RH.

La stabilité du drone est une contrainte indispensable lors de la mesure de la valeur R en approximation de la température réfléchie. Des niveaux plus élevés de vent ambiant obtenus sont liés au déséquilibre du drone qui devient instable, entraînant des erreurs de mesure de la température. Même si des normes régulières sont maintenues dans toute l'enquête, cela peut nécessiter le positionnement d'un drone tout en dirigeant la caméra vers le tampon de mesure. Ces erreurs inhérentes peuvent être annulées ou évitées en incorporant des variables développées dans la formule développée pour évaluer la valeur R. La relation des variables développées avec la vitesse du vent peut être interprétée par les Fig. 9 et 10.

Variation de Ok1 avec WS.

Variation de Ok2 avec WS.

Dans cette section, la capacité pronostique du modèle ANFIS est estimée pour présenter une corrélation rationnelle entre la valeur R et les situations climatiques, comprenant la température ambiante, le tirage d'air ambiant et l'humidité relative dans cette recherche. Les résultats d'investigation pour de nombreux murs ont été atteints sous diverses influences climatiques.

À partir d'une implication et d'influences données, ils contribuent à une collecte de données considérablement étendue qui fournit des résultats d'investigation massifs qui nécessitent du temps, des efforts, de la puissance et du pétrole. Cette étude propose une méthode d'IA (ANFIS) qui a été adoptée pour permettre une prévision de réponse appliquée et constante avec une inexactitude d'entrée d'informations négligeable, comprenant des nombres partiels comme entrées. Différents ensembles de données générés à partir des données de drone étudiées, de la formation et de la validation obtenues via RSM sont examinés au moyen du système d'inférence floue de type Sugeno, qui s'appuie principalement sur un processus sophistiqué qui engage l'analyse de régression démontrant et la technique de descente inclinée de l'arrière- propagation41.

Le calcul souple est effectué pour améliorer l'énorme fonctionnalité de l'assemblage établi pour les réglages difficiles du drone. Les révisions précédentes ont fourni l'efficacité des planifications ANFIS composées de 3 ensembles de données de formation et de 4 niveaux primaires qui doivent être activés dans le système pour divers types de situations, comme indiqué dans le tableau 6. Ceci est indiqué dans la section supplémentaire. A2.

En cas de développement d'un cadre réalisable pour la structure des données disponibles, les affirmations assurées par la modélisation ANFIS sont intégrées aux facteurs environnementaux où elles produisent ses contraintes opérationnelles basées sur les variables actuelles et les ensembles de données d'entrée acquis. Ces algorithmes facilitent un développement viable d'interrelations pour de nombreuses variables et leurs résultats associés à l'environnement ambiant pour le bâtiment d'essai, comme illustré dans les Fig. 11a à f présentant de nombreux graphiques parmi les variables d'habitat naturel et de formule. La non-conformité carrée moyenne et le pourcentage de l'estimation de la variance ont été évalués pour tous les membres du cadre disponible et de l'anatomie topographique Web façonnée dans les ensembles de données suivants de Sugeno dans la modélisation ANFIS. Pour différents types d'objectifs d'adhésion, la proportion de fautes est atteinte afin d'anticiper l'algorithme de travail idéal parmi tous. La plus petite erreur est accomplie pour la fonction gaussienne 2 pour les variables Ok1 tandis que la fonction d'appartenance de la fonction gaussienne 1 a atteint le taux d'erreur le plus bas dans les variables Ok2 de la formule d'Osama. En outre, l'appartenance gaussienne 1 a prédit de meilleurs résultats pour la valeur R de la résistance thermique, comme le montre le tableau 6.

( a – f ) Tracés 3D entre les paramètres environnementaux (DBT, RH et WS) et les constantes de formule (Ok1 et Ok2).

Les incertitudes inhérentes à tous les modèles développés pour diverses fonctions d'appartenance sont présentées dans le tableau 6 avec leur estimation respective des taux d'erreur les plus faibles soulignés par des marques jaunes. La préparation de modèles ANFIS efficaces donne des données fiables qui sont tout à fait identiques aux informations hypothétiques précédentes fournies pour former et examiner les résultats de l'étude. En outre, les valeurs pronostiques inspectées pour les classes ANFIS reconnaissent l'interrelation entre chaque variable et démontrent l'authentification de la formulation projetée, car les résultats obtenus sont assez adjacents à ceux obtenus dans la formulation.

Les résultats estimés par des modèles hybrides (ANFIS, théorie conventionnelle et nouvelle théorie) ont été évalués sur la base de formules de régression telles que l'erreur quadratique moyenne (RMSE) et la fraction de variance R2. Ces outils statistiques sont souvent utilisés pour estimer l'écart entre les réponses expérimentales et prédites. La fraction de variance (R2) fonctionne sur le concept de régression linéaire en tenant compte de toutes les surestimations et sous-estimations au sein du système. La RMSE est utilisée pour estimer à quel point les résidus (données expérimentales et données prévues) sont proches de la ligne de meilleur ajustement. Pour valider et contre-vérifier les résultats des paramètres du bâtiment, ceux-ci ont été testés pour différentes incertitudes à l'aide d'outils statistiques. Différents types d'analyses de régression ont été effectués pour évaluer la faisabilité de ces modèles hybrides calculés souples. La précision du modèle prédictif a été validée en considérant les formules de régression telles que RMSE et R2. Les modèles de prédiction précédents étaient jugés exacts si la RMSE évaluée était proche de zéro. Inversement, la fraction de variance des données prévues doit être proche de 1 pour un modèle d'ajustement précis. Dans la présente recherche, tous les modèles mis en œuvre respectaient les normes d'erreur statistique ci-dessus, facilitant une prévision fiable et cohérente.

L'optimisation des réponses multi-objectifs (MORO) est fournie à l'aide de Minitab 18 et les résultats sont affichés ensemble sur la Fig. 12. Conformément à la représentation graphique de l'optimisation des réponses multiples, l'utilisateur requiert les valeurs Ok1 et Ok2 les plus élevées, quelque part près de 1. les valeurs optimales prévues pour Ok1 et Ok2 sont atteintes simultanément à un groupement optimal de 44,90 % d'humidité relative (HR), 12,61 °C de température de bulbe sec (DBT) et 5,20 km/h de vitesse du vent (WS).

Conditions optimales de Pareto atteintes avec l'optimiseur de surface de réponse.

Les constantes de la formule Ok1 et Ok2 sont de 0,91 et 0,99 à l'aide de l'approche de régression. Les valeurs de R2 et R2 (adj) pour Ok1 et Ok2 ont été calculées et trouvées à 98,65 % et 98,35 % respectivement. Désormais, les paramètres du modèle impliqués sont raisonnablement suffisants pour les résultats établis actuels. Des analyses simultanées à l'aide du test de valeur p, du test de rapport F et de la variance (ANOVA) sont exécutées et les résultats sont affichés dans le tableau 7. Parmi les valeurs de sortie requises, les propriétés linéaires se sont avérées être de 0,01, ce qui pourrait être pris en compte. comme substantielle. La valeur F du manque d'ajustement a également été estimée pour les paramètres de sortie avec leurs valeurs respectives, comme indiqué dans le tableau 7.

Dans la section précédente, la formule d'Osama indiquait un taux d'erreur réduit (RMSE) par rapport au modèle théorique antérieur qui ne tenait pas compte des variations environnementales dans l'air42,43. De plus, une valeur zénithale R2 proche de 1 a été obtenue dans la même formule intégrée. Le tableau 8 montre les comparaisons pour les valeurs de réponse observées et ajustées. La variation en pourcentage calculée entre le modèle ajusté et le modèle réel est également établie, montrant ainsi les valeurs qui indiquent l'impact des variables sur les résultats sont fournies dans chaque ligne finale. La simulation développée par analyse de régression est présentée à la Fig. 8.

Pour valider et justifier la sélection de la formule d'Osama, le modèle précédent a été rappelé et comparé au modèle expérimental tel que présenté dans le tableau 9. La comparaison des données a été établie sur une enquête expérimentale pour différents résultats de murs. Le modèle actuel a montré le même modèle de précision plus élevée (RMSE réduite avec R2 plus élevé) dans la formule d'Osama car il prend en compte les variations environnementales, validant ainsi la formule proposée. La validation du modèle actuel avec des modèles antérieurs développés par AI dans des problèmes similaires est présentée dans le tableau 10 pour une analyse comparative.

L'enquête moderne a découvert la possibilité d'utiliser un agencement drone-caméra pour réaliser un concept de construction écologique qui comprenait de nombreuses variables climatiques telles que la température du bulbe sec, la vitesse du vent et l'humidité relative. En outre, une nouvelle formule, à savoir la formule d'Osama, a été développée qui a été utilisée pour estimer la résistance thermique des murs et enfin la perte de chaleur totale tout en tenant compte des changements d'environnement. Les résultats expérimentaux ont été générés et ont établi une étude comparative à ceux obtenus à partir de la formule. L'ensemble de données généré de manière conventionnelle aurait consommé beaucoup de temps avec la complexité également impliquée dans le problème qui serait difficile dans l'ensemble du processus car l'environnement continue de varier. Par conséquent, l'analyse exemplaire découvre et approuve la plus grande précision pronostique des murs de résistance de construction en intégrant les écarts dans les variables climatiques qui font varier les données obtenues. De plus, la nouvelle formule a généré des résultats probables optimaux plus proches des valeurs atteintes en temps réel. Les principaux résultats de l'analyse sont expliqués ci-dessous :

La recherche répond à la préoccupation principale de réaliser des bâtiments verts avec une consommation d'énergie minimale qui a été réduite en analysant la détérioration des bâtiments pour de nombreuses variations climatiques.

La recherche aide également à évaluer les pertes thermiques primaires à travers les composants de l'enveloppe du bâtiment qui entravent le concept de construction écologique. Des modifications appropriées des éléments de construction tels que l'isolation de ceux-ci pourraient réduire le taux de transfusion de puissance.

En outre, l'analyse aide à repérer la position particulière de l'écart, donnant ainsi une chance d'améliorer la conception existante. De plus, cet emplacement peut être amélioré en isolant ou en substituant entièrement l'emplacement de l'enveloppe. Les emplacements ont été détectés par une caméra thermique intégrée qui a évalué la valeur R pour diverses enveloppes.

La recherche a révélé que la valeur R s'est dégradée au fil des ans par rapport à la valeur d'origine qui était antérieure conformément aux normes ASHRAE. La valeur R obtenue nous a conduit à des calculs précieux qui ont expliqué diverses modifications dans les conceptions, réduisant ainsi les besoins énergétiques et augmentant la rentabilité du bâtiment.

L'enquête existante pourrait aider les inspecteurs à venir à prévoir et à évaluer la valeur R pour divers bâtiments structurés de grande hauteur par un moyen simple et rentable où l'inspection énergétique pourrait ne pas être possible en utilisant des grues, ce qui est une affaire coûteuse, améliorant ainsi l'efficacité énergétique. de l'ouvrage.

Cependant, la mesure dans laquelle les résultats peuvent être similaires si la même procédure est répétée sur différents bâtiments dépend de la similitude des bâtiments en termes de matériaux de construction, d'isolation et d'orientation, ainsi que des conditions environnementales externes pendant la mesure. . Dans l'ensemble, bien que les mesures de résistance thermique par drone aient le potentiel de fournir des informations précieuses sur la performance énergétique d'un bâtiment, il est important de prendre en compte les limites de la méthode et de tenir compte des sources potentielles d'erreur qui peuvent avoir un impact sur la précision et la reproductibilité des résultats. . La portée future de cette étude pourrait impliquer le développement de méthodes pour atténuer l'impact des conditions intérieures sur les mesures de résistance thermique par drone, comme l'utilisation de capteurs pour surveiller l'environnement intérieur pendant le processus de mesure. De plus, l'étude pourrait être élargie pour inclure un plus grand échantillon de bâtiments afin d'évaluer la généralisabilité des résultats.

Les ensembles de données utilisés et/ou analysés au cours de l'étude en cours sont disponibles auprès de l'auteur correspondant sur demande raisonnable.

Intelligence artificielle

Humidité spécifique

Fluide de travail

Internet des objets

Système d'inférence neuro-floue adaptatif

Thermographie infrarouge

Température moyenne

Climatisation

Formule Oussama Khan

Code national du bâtiment

Température de l'ampoule sèche

Chaleur sensible

Vitesse du vent

Chaleur latente

Température humide

Méthodologie de surface de réponse

Humidité relative

Erreur moyenne quadratique

Fraction de variance

Température moyenne

Coefficient d'ombrage

Oussama Khan variable 1

Oussama Khan variable 2

Suthan, R., Jayakumar, V. & Madhu, S. Évaluation des propriétés mécaniques des composites époxy à fibres de Kevlar : une étude expérimentale. Int. J. Veh. Structure. Syst 10(6), 389–394. https://doi.org/10.4273/ijvss.10.6.02 (2018).

Article Google Scholar

Liu, D., Xia, X., Chen, J. & Li, S. Intégration du modèle d'information sur le bâtiment et de la réalité augmentée pour l'inspection des bâtiments par drone. J. Comput. Civ. Ing. 35(2), 958 (2021).

Article Google Scholar

Kalaitzakis, M. et al. StereoDIC basé sur drone : développement de système, validation expérimentale et application d'infrastructure. Exp. Méca. https://doi.org/10.1007/s11340-021-00710-z (2021).

Article Google Scholar

Kotharkar, R., Ghosh, A., Kapoor, S. & Reddy, DGK Approche de l'évaluation de la consommation d'énergie basée sur la zone climatique locale dans une ville indienne. Construire de l'énergie. 259, 111835. https://doi.org/10.1016/j.enbuild.2022.111835 (2022).

Article Google Scholar

Wang, J. et al. Une comparaison expérimentale sur l'environnement thermique régional des groupes de bâtiments fermés à haute densité avec des revêtements rétro-réfléchissants et hautement réfléchissants. Construire de l'énergie. 259, 111864. https://doi.org/10.1016/j.enbuild.2022.111864 (2022).

Article Google Scholar

Mirzabeigi, S. & Razkenari, M. Inspection automatisée des bâtiments basée sur la vision à l'aide de la thermographie par drone. Congrès de recherche en construction 2022 (Société américaine des ingénieurs civils, 2022).

Google Scholar

Torres-Quezada, J., Avilés, AT, Isalgue, A. & Pages-Ramon, A. L'évolution de l'énergie grise dans les bâtiments résidentiels andins. Méthodologie appliquée à Cuenca-Equateur. Construire de l'énergie. 259, 111858. https://doi.org/10.1016/j.enbuild.2022.111858 (2022).

Article Google Scholar

Albeaino, G., Eiris, R., Gheisari, M. & Issa, RR DroneSim : un simulateur de formation au vol basé sur la réalité virtuelle pour les inspections de bâtiments par drone. Constr. Innov. 22, 831–848 (2021).

Article Google Scholar

Hasan, M., Ben, S. & Hughes, R. Révolutionner les techniques d'inspection des bâtiments pour répondre aux demandes énergétiques à grande échelle : un examen de l'état de l'art. Renouveler. Soutenir. Énergie Rev. 130, 109979 (2020).

Article Google Scholar

Li, Y. & Liu, C. Applications des technologies de drones multirotors dans la gestion de la construction. Int. J. Constr. Géré. 19(5), 401–412. https://doi.org/10.1080/15623599.2018.1452101 (2018).

Article Google Scholar

Kyrkou, C. & Theocharides, T. Réseau d'urgence : classification efficace des images aériennes pour la surveillance d'urgence par drone à l'aide de la fusion de caractéristiques convolutives atrous. IEEE J. Sel. Haut. Appl. Terre Obs. Remote Sens. 13, 1687–1699 (2020).

Annonces d'article Google Scholar

Calvo, JAL, Alirezaei, G. & Mathar, R. Alimentation sans fil de MANET basés sur des drones pour les zones sinistrées. IEEE Int. Conf. Wirel. Espace Extrême Environ. 2017, 98-103 (2017).

Google Scholar

Madhu, S. & Balasubramanian, M. Effet des paramètres du procédé de jet abrasif sur l'usinage du composite polymère renforcé de fibres de verre. Science des matériaux et technologie de l'ingénierie 48(11), 1146–1157. https://doi.org/10.1002/mawe.201600744 (2017).

Article CAS Google Scholar

An, Y., Choi, H., Kim, E. et Kim, T. Analyse expérimentale des caractéristiques saisonnières de température et de la consommation d'énergie de refroidissement et de chauffage d'une fenêtre à double paroi mince. Construire de l'énergie. 256, 111692. https://doi.org/10.1016/j.enbuild.2021.111681 (2022).

Article Google Scholar

Liang, R. et al. Prédiction des gains de chaleur internes des bâtiments à l'aide de méthodes d'intelligence artificielle. Construire de l'énergie. 258, 111794. https://doi.org/10.1016/j.enbuild.2021.111794 (2022).

Article Google Scholar

Seliem, H., Shahidi, R., Ahmed, MH & Shehata, MS Service d'autoroute-VANET et DAS basé sur drone. IEEE 6, 20125–20137. https://doi.org/10.1109/ACCESS.2018.2824839 (2018).

Article Google Scholar

Shariq, MH & Hughes, BR Révolutionner les techniques d'inspection des bâtiments pour répondre aux demandes énergétiques à grande échelle : un examen de l'état de l'art. Renouveler. Soutenir. Énergie Rev. 130, 109979 (2020).

Article Google Scholar

Abdellatif, M., Chamoin, J., Nianga, J. & Defer, D. Une méthodologie de contrôle thermique basée sur un modèle de prévision d'apprentissage automatique pour le chauffage intérieur. Construire de l'énergie. 255, 11692. https://doi.org/10.1016/j.enbuild.2021.111692 (2022).

Article Google Scholar

Ma, Z., Zhao, D., Wang, F. & Yang, R. Un nouveau modèle d'évaluation du confort thermique et des économies d'énergie pour les textiles de refroidissement et de chauffage radiatifs. Construire de l'énergie. 258, 111842. https://doi.org/10.1016/j.enbuild.2022.111842 (2022).

Article Google Scholar

Fokaides, P. & Kalogirou, S. Application de la thermographie infrarouge pour la détermination du coefficient de transfert de chaleur global (valeur U) dans les enveloppes de bâtiments. Appl. Énergie 88, 4358 (2011).

Article Google Scholar

Nardi, I., Sfarra, S. & Ambrosini, D. Thermographie quantitative pour l'estimation de la valeur U ; état de l'art et étude de cas. J.Phys. 547, 012016 (2014).

Google Scholar

Park, S., Kim, H., Kim, K. & Kim, K. Algorithme de formation de drones sur l'espace 3D pour une infrastructure de réseau basée sur des drones. IEEE Pers. Foule intérieure. Radio Commun. https://doi.org/10.1109/PIMRC.2016.7794907 (2016).

Article Google Scholar

Prabu, B., Malathy, R., Gulshan Taj, MNA & Madhan, N. Réseaux de drones et systèmes de surveillance dans les villes intelligentes 26 (CRC Press, 2023).

Google Scholar

Burgués, J. & Marco, S. Surveillance par drone des gaz environnementaux. Dans Réseaux de qualité de l'air. Informatique environnementale et modélisation (eds De Vito, S. et al.) (Springer, 2023).

Google Scholar

Halder, S. & Afsari, K. Robots dans l'inspection et la surveillance des bâtiments et des infrastructures : une revue systématique. Appl. Sci. 13(4), 2304. https://doi.org/10.3390/app13042304 (2023).

Article CAS Google Scholar

Alkaabi, K., Senghore, S. & Rhman El Fawair, A. Vers des villes durables : surveillance de l'environnement thermique des bâtiments et des espaces piétonniers à l'aide de l'imagerie thermique 3D capturée par drone. Devant. Environ construit. 8, 1035546. https://doi.org/10.3389/fbuild.2022.1035546 (2023).

Article Google Scholar

Leggiero, M. et al. Estimation de la perte de chaleur par rayonnement des enveloppes de bâtiments basée sur des modèles thermographiques 3D utilisant de petits systèmes aériens sans pilote (sUAS). Construire de l'énergie. 244, 110957. https://doi.org/10.1016/j.enbuild.2021.110957 (2021).

Article Google Scholar

Oh, S., Ham, S. & Lee, S. Schéma de traitement d'image assisté par drone utilisant l'identification de l'emplacement basée sur la trame pour la détection des fissures et des pertes d'énergie dans les enveloppes de bâtiments. Énergies 14(19), 6359. https://doi.org/10.3390/en14196359 (2021).

Article Google Scholar

Zheng, H., Zhong, X., Yan, J., Zhao, L. et Wang, X. Une méthode de détection des performances thermiques pour l'enveloppe du bâtiment basée sur un modèle 3D généré par l'imagerie thermique UAV. Énergies 13(24), 6677. https://doi.org/10.3390/en13246677 (2020).

Article Google Scholar

Kim, CW, Yang, SC & Ahn, YC Une analyse numérique sur la distribution de la pression extérieure par l'effet du vent extérieur dans un immeuble résidentiel de grande hauteur. Coréen J. Air-Cond. Réfrig. Ing. 23, 639–645 (2011).

Google Scholar

Nagappan, B., Devarajan, Y., Kariappan, E., Philip, SB et Gautam, S. Influence des additifs antioxydants sur les performances et les caractéristiques d'émission du moteur CI alimenté au biodiesel au suif de bœuf. Sciences environnementales et recherche sur la pollution 28(10), 12041–12055. https://doi.org/10.1007/s11356-020-09065-9 (2020).

Article CAS PubMed Google Scholar

O'Grady, M., Lechowska, AA & Harte, AM Application de la technique de thermographie infrarouge à l'évaluation thermique de plusieurs ponts thermiques et fenêtres. Construire de l'énergie. 168, 347–362. https://doi.org/10.1016/j.enbuild.2018.03.034 (2018).

Article Google Scholar

Lin, D., Jarzabek-Rychardb, M., Tong, X. & Maas, HG Fusion d'images thermiques avec des nuages ​​de points pour la cartographie des attributs thermiques des façades de bâtiments. ISPRS J. Photogramme. Télécommande. Sens. 151, 162–175 (2019).

Annonces d'article Google Scholar

Fokaides, PA & Kalogirou, SA Application de la thermographie infrarouge pour la détermination du coefficient global de transfert de chaleur (valeur U) dans les enveloppes de bâtiments. Appl. Énergie 88(12), 4358–4365. https://doi.org/10.1016/j.apenergy.2011.05.014 (2011).

Article Google Scholar

Kontokosta, CE, Spiegel-Feld, D. & Papadopoulos, S. L'impact des audits énergétiques obligatoires sur la consommation d'énergie des bâtiments. Nat. Énergie 5, 309–316. https://doi.org/10.1038/s41560-020-0589-6 (2020).

Annonces d'article Google Scholar

Celestino, F., Carlos, P. & Pereira, E. Systèmes de traitement d'images embarqués pour la reconnaissance automatique des fissures à l'aide de drones. IFAC 48, 16–21. https://doi.org/10.1016/j.ifacol.2015.08.101 (2015).

Article Google Scholar

Tarek, R. & Alice, G. Examen des applications des systèmes aériens sans pilote (UAS) dans l'environnement bâti : vers des procédures automatisées d'inspection des bâtiments à l'aide de drones. Autom. Constr. 93, 252-264 (2018).

Article Google Scholar

Genova, E. & Fatta, G. La caractérisation thermophysique des éléments techniques dans l'architecture historique : Expériences à Palerme. Proc. Actas del Congreso Int. Eficiencia Energética Edificación Hist. 2014, 397-406 (2014).

Google Scholar

Khan, O., Khan, ME, Yadav, AK & Sharma, D. L'optimisation assistée par ultrasons de la production de biodiesel à partir d'huile d'eucalyptus. Sources d'énergie Partie A 39(13), 1323–1331 (2017).

Article CAS Google Scholar

Aydına, M., Uslu, S. & Celik, MB Prévision des performances et des émissions d'un moteur à allumage par compression alimenté par des mélanges biodiesel-diesel : une application combinée de l'optimisation basée sur ANN et RSM. Carburant 269, 117472 (2020).

Article Google Scholar

Jo, J., Jadidi, Z. & Stantic, B. Un système d'inspection de bâtiments basé sur un drone utilisant des agents logiciels. Dans Intelligent Distributed Computing Studies in Computational Intelligence Vol. 737 (eds Ivanović, M. et al.) (Springer, 2018).

Google Scholar

Kumar, S. Capacités d'estimation de la production de biodiesel à partir d'un mélange d'huile d'algues à l'aide d'un système d'inférence neuro-floue adaptatif (ANFIS). Sources d'énergie Partie A 42, 7 (2020).

Article Google Scholar

Khan, O., Khan, ME, Parvez, M., Ahmed, KAAR & Ahmad, I. Extraction et expérimentation de biodiesel produit à partir d'huiles de lixiviat de décharges couplées à des nano-additifs oxyde d'aluminium et oxyde de cuivre sur moteur diesel. Dans Nanomaterials for Innovative Energy Systems and Devices 319–332 (Springer, 2022).

Chapitre Google Scholar

Seraj, M. et al. Recherche analytique de modèles intelligents artificiels pour l'industrie de l'usinage sous diverses stratégies environnementales : une approche de l'industrie 4.0. Soutenir. Oper. Calcul. 3, 176–187 (2022).

Article Google Scholar

Khan, O. et al. Une amélioration des performances, de la combustion et des attributs d'émission des moteurs diesel alimentés par de l'huile d'Eichhornia crassipes et des nanoparticules d'oxyde de cuivre à différentes pressions d'injection. Sources d'énergie Partie A 44(3), 6501–6522 (2022).

Article CAS Google Scholar

Aghbashlo, M., Hosseinpour, S., Tabatabaei, M., Younesi, H. & Najafpour, G. Sur l'optimisation exergétique de la production photobiologique continue d'hydrogène à l'aide de l'hybride ANFIS-NSGA-II (système d'inférence neuro-floue adaptatif non dominé algorithme génétique de tri-II). Énergie 96, 507–520 (2016).

Article CAS Google Scholar

Télécharger les références

Ce travail de recherche a été financé par Institutional Fund Projects sous la subvention no. (IFPIP : 655-247-1443). Les auteurs remercient gracieusement le soutien technique et financier fourni par le ministère de l'Éducation et l'Université King Abdulaziz, DSR, Djeddah, Arabie saoudite.

Département de génie mécanique, Université Jamia Millia Islamia, New-Delhi, 110025, Inde

Oussama Khan

Département de génie mécanique, Université Al-Falah, Haryana, 121004, Inde

Mohd Parvez

Département de mathématiques, Université King Abdulaziz, Djeddah, Arabie saoudite

Monairah Alansari

Département de mathématiques, Décanat des services éducatifs, Université Qassim, Buraidah, 51452, Arabie saoudite

Mohammed Farid

Département de génie thermique, Saveetha School of Engineering, SIMATS, Chennai, Tamil Nadu, Inde

Yuvarajan Devarajan

Département de génie civil, Université d'Ambo, Ambo, Éthiopie

Subash Thanappan

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Vous pouvez également rechercher cet auteur dans PubMed Google Scholar

Tous les auteurs ont également contribué au manuscrit.

Correspondance à Yuvarajan Devarajan ou Subash Thanappan.

Les auteurs ne déclarent aucun intérêt concurrent.

Springer Nature reste neutre en ce qui concerne les revendications juridictionnelles dans les cartes publiées et les affiliations institutionnelles.

Libre accès Cet article est sous licence Creative Commons Attribution 4.0 International, qui autorise l'utilisation, le partage, l'adaptation, la distribution et la reproduction sur tout support ou format, à condition que vous accordiez le crédit approprié à l'auteur ou aux auteurs originaux et à la source, fournissez un lien vers la licence Creative Commons et indiquez si des modifications ont été apportées. Les images ou tout autre matériel de tiers dans cet article sont inclus dans la licence Creative Commons de l'article, sauf indication contraire dans une ligne de crédit au matériel. Si le matériel n'est pas inclus dans la licence Creative Commons de l'article et que votre utilisation prévue n'est pas autorisée par la réglementation légale ou dépasse l'utilisation autorisée, vous devrez obtenir l'autorisation directement du détenteur des droits d'auteur. Pour voir une copie de cette licence, visitez http://creativecommons.org/licenses/by/4.0/.

Réimpressions et autorisations

Khan, O., Parvez, M., Alansari, M. et al. Application de l'intelligence artificielle dans le concept de bâtiment écologique pour l'audit énergétique à l'aide de la technologie des drones dans différentes conditions environnementales. Sci Rep 13, 8200 (2023). https://doi.org/10.1038/s41598-023-35245-x

Télécharger la citation

Reçu : 15 mars 2023

Accepté : 15 mai 2023

Publié: 21 mai 2023

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

Toute personne avec qui vous partagez le lien suivant pourra lire ce contenu :

Désolé, aucun lien partageable n'est actuellement disponible pour cet article.

Fourni par l'initiative de partage de contenu Springer Nature SharedIt

En soumettant un commentaire, vous acceptez de respecter nos conditions d'utilisation et nos directives communautaires. Si vous trouvez quelque chose d'abusif ou qui ne respecte pas nos conditions ou directives, veuillez le signaler comme inapproprié.