さまざまな環境条件下でドローン技術を使用したエネルギー監査のためのグリーンビルディングコンセプトにおける人工知能の応用

Sep 14, 2023

Scientific Reports volume 13、記事番号: 8200 (2023) この記事を引用

814 アクセス

9 オルトメトリック

メトリクスの詳細

現在の世界的なエネルギー危機の原因は、弱い建物外壁による熱損失です。 環境に優しい建物に人工知能とドローンのセットアップを適用することは、世界が長年にわたって努力している持続可能なソリューションを提供するのに役立ちます。 この現代の研究には、ドローン システムを利用して建物外壁の摩耗熱抵抗を測定するという新しい概念が組み込まれています。 上記の手順では、ドローン ヒート マッピング手順を利用して、風速 (WS)、相対湿度 (RH)、乾球温度 (DBT) などの 3 つの主要な環境パラメータを考慮して、建物全体の分析を実行します。 この研究の新規性は、これまでの研究では、アクセスが困難な建築エリアの変数としてドローンと気候条件を組​​み合わせて建物の外皮を調査したことがなかったという事実によって解釈でき、これにより、より簡単でリスクがなく、費用対効果が高く、効率的な読み取りが可能になります。 。 式の検証は、データの予測と最適化に適用される人工知能ベースのソフトウェアを使用して認証されます。 人工モデルは、指定された数の気候入力からの各出力の変数を検証するために確立されます。 分析後に達成されたパレート最適条件は、44.90% RH、12.61 °C DBT、および 5.20 km/h WS です。 変数と熱抵抗は応答曲面法を使用して検証され、それによって最低のエラー率と総合的な R2 値 (それぞれ 0.547 と 0.97) が得られました。 今後、ドローンベースの技術を使用して、新しい公式で建物の外周の不一致を推定することで、環境に優しい建物の開発のための一貫した効果的な評価が得られ、同時に実験の時間とコストが削減されます。

最近、エネルギー需要が大幅に増加している一方で、エネルギー生産資源は大幅に劣化しています。 このため、研究者は将来の潜在的な需要を満たすためにエネルギーを保存する代替方法を見つけることになりました。 インドでは、建物外壁の温度変化による全体的な損失は、建物の本来のエネルギー要件の約 41% であると計算されています (MOE)。 現在、世界中の建物は多大なエネルギー損失にさらされており、その主な原因は取り返しのつかない状況によるものと考えられます1、2。 これらの建物は、主に低開発国や発展途上国において効率ベースでのパフォーマンスが劣ることが知られており、そのため環境に優しい建物の本来の設計とは異なります。 最近の研究 3 によると、生産されるエネルギーの約 63% は住宅用または工業用の建物によって調達されています。 2018 年から 2019 年度にかけてインド全土で行われた広範なデータ調査では、電力会社が生成する総電力量は約 1372 (テラワット時) と推定されています4。 これらのユーティリティは主に、コーヒーマシン、電子レンジ、ヒーターなどの屋内アクティビティで構成されます5、6。 発展途上国では、政府が建物にスマート システムを組み込むことでエクセルギー損失を削減する取り組みを進めています7。 このエネルギーは適切に利用されないと、国の経済と環境に多大な損失をもたらします8。

現在必要とされているのは、これらの損失を抑制し、実りある将来のために資源を節約する効果的な方法を見つけることです。 これらの損失を確認および監視する効果的な方法は、建物の外壁を通る熱損失を評価することです9,10。 建物の外皮は主に、壁、天井、窓、間仕切り、ドアなどのすべての建物のセットアップで構成されます。 気候条件が 24 時間変化する 11、12 ため、熱エネルギーの輸送は 1 日を通して発生するため、これらの設備は建物の設備における熱損失の主要な要素となります。 これらの違いはエネルギー損失の主な原因であると考えられ、今後は建物全体の効率が低下します13。 いくつかの研究では、これらの損失は、全体的に弱い外側コーティングを持つ建物構造に直接関係しています14。 これらの損失は、さまざまな建築設備の集合体であり、設備の外側に適用された断熱材の品質が劣っている可能性があります。 さらに、古い構造は年月の経過とともに弱くなる傾向があり、その結果、大幅なエネルギー損失が発生します15。 さらに、さまざまな亀裂や開口部から外気が継続的に侵入することにより、エネルギー需要が増大する可能性もあります16。 上記の矛盾は、建物の開始時により高品質の材料を適用し、既存の設計を修復し、空隙や亀裂を塞ぐことによって解決できます17。 これまでの研究では、建物のエネルギー損失を減らすために断熱材を使用しており 18、これによりエネルギー効率が向上し、夏には冷たい空気を、冬には暖かい空気を閉じ込めることができました。 室内の熱と湿気の含有量を同時に減らすことで、エネルギー要件を下げることができます19。 過去の文献では、建物の負荷と建物構造内のエネルギー損失を考慮するために、特定の熱伝達回路を評価する必要があります20、21。 多くの場合、建物の外皮は、熱抵抗としても規定される R 値として知られる単一の要素によって制御されます22。

これまでの文献では、さまざまな気象条件の影響下でのドローン監視の組み合わせについてはほとんど検討されていませんでした 23、24、25。 Halder と Afsari の系統的レビュー 25 では、建物やインフラの検査と監視のためのロボットの使用が検討されています。 Alkaabi et al.26 は、持続可能な都市の開発に貢献するために、ドローンで撮影した 3D 熱画像を使用して建物や歩行者空間の熱環境を監視することを提案しています。 Kopp et al.27 は、小型無人航空システム (sUAS) で作成された 3D サーモグラフィー モデルを使用して建物外壁の放射熱損失を推定する方法を提示しています。 Oh et al.28 は、建物外壁の亀裂やエネルギー損失を検出するために、フレームベースの位置識別を利用したドローン支援画像処理スキームを提案しています。 Zheng ら 29 は、UAV 熱画像によって生成された 3D モデルに基づいて建物外壁の熱性能を検出する方法を紹介しています。

さらに、人工知能によって開発されたモデルによる建物監視の結果を検証する記事は見つかりませんでした。 これは、建物のセットアップ内の主要な欠陥を特定するのに役立ち、さらに、あらゆる構造セットアップの全体的な作業パフォーマンスを向上させるための適切な省エネコンセプトの開発にも役立ちます30,31。 さらに、過去にはドローンシステムに赤外線技術を使用することで効果的な結果が得られました32,33。

この研究は、ドローンで建物の壁の温度を正確に測定する公式の開発にインテリジェントな技術を組み込むことを目的としています。 研究は、ドローンを使用して壁温度を測定する精度と信頼性、およびこの方法に関連する制限と課題を特定することに焦点を当てます。 この研究では、高層ビルの大規模な温度測定にドローンを使用する実現可能性も評価される可能性があります。 研究の範囲には、壁温度を正確に測定するためのインテリジェントな技術を組み込んだ計算式の開発と、この分野での将来の研究への潜在的な応用と推奨事項が含まれます。 AI とグリーン ビルディングの分野ではいくつかの研究が行われていますが、ドローンを使って建物の外壁の不一致を発見することはまだめったになく、著者の知る限り、これまで調査されたことはありません。 環境変動を考慮しながらドローンベースの建物監査による予測モデル（AFIS）を採用しながら、建物の性能を向上させ、電力使用量を削減してグリーンビルディングを達成するというこれまでの研究は全く報告されていないため、既存の調査の新規性が広まっています。 以前の文献では、より小さなデータセットを使用して短期間で建物の負荷を正確に予測するためのソフト コンピューティング技術、できれば ANN 法の重要性も示しています 34。 さらに、応答曲面法（RSM）法は、特に高層ビルでデータ生成が問題となる可能性がある問題に対しても実行可能な実験テスト手順を生成できる可能性があるため、以前の研究でも応答曲面法（RSM）法が採用されてきました35。

上記で説明した情報に関して、研究者は以下に説明するような共通の視点に到達しました。

ドローンベースのシステムを建物に導入して、R 値を見つけてグリーンビルディングの達成を見積もることは、その操作が複雑ではなく、社会に優しいという観点から、実用的かつ合理的な機会であることを示しています。

AFIS と RSM を組み合わせて使用​​するインテリジェント ソフトウェアを使用しながら、さまざまな環境設定での熱抵抗を調査することは、これまでの研究ではほとんど行われていません。

環境変数を生成するために確立されたオサマ式は、グリーン ビルディングのリアルタイム テストの実行中に得られるデータセットにかなり近いデータセットを生成します。

これまでの文献 (特に熱工学の分野) では、建築エンベロープ電力測定用のソフト コンピューティング予測表現を統合し、適用される作業、資金、および人員の削減を通じて正確な R 値の特徴を提示することの重要性が強調されてきました 36,37。

後続のセクションは、データ収集手順とプロセスに必要な機器で構成されます。

研究に関連する主要な物理学は、実験中に達成された結果を相互に関連付けることによって説明され、開発されたモデルによって検証されます。 研究の主な理論は、ドローンの熱画像を利用して建物の弱いエンベロープからデータを収集することで構成されています。 さらに、これらのモデルはさまざまな気候でシミュレーションされます。 読み取り値は式を作成するために使用されます。 式の検証は、実験による読み取り値と開発されたモデルの読み取り値の間で精度レベルが高いため、結果の一貫性を示す開発された AI モデルによって実行されます。 操作手順を機能させるための初期段階は、インプットを事前に説明し、続いて研究の結果を定義することによって実行されます。 試験調査は、乾球温度 (DBT)、風速 (WS)、相対湿度 (RH) から構成される環境制約を選択することによって提供されます。 提案された入力セットについて、建物の外皮全体の熱抵抗と熱損失が評価されます。 上記の基準を提供するために、予測最適化技術の組み合わせが採用されており、複数の連続するフェーズで説明される調査結果と予測された読み取り値の間の比較分析が提供されます。 (a) 調査データに関連するデータセットを収集し、トレーニングとデータに基づいてデータセットをクラスタリングします。別の Excel ファイルのテスト シート、(b) オサマと名付けられた新しい公式による環境条件に基づくモデルの作成、仮説データの生成 (c) 建物の構造の表現を評価するための人工知能ソフトウェアで最も優れたパフォーマンスのモデルを認識、(d)人工知能の結果間の相対的な検討、それらの間で最も精細な熱損失検出のための調査的および仮説的な枠組み、および (e) 結論として、前述の表現による結果の簡略化と認証。

現在の研究は主に、さまざまな環境条件下での実験的および理論的推定を通じて、既存の建物設定内のさまざまな設備の R 値を評価することを目的としています。 この研究で使用された機器設定は、老朽化し​​た建物内のすべての壁の熱抵抗を検討するために、ドローン搭載型赤外線カメラとポータブル赤外線カメラでした。 Tello ドローンは、赤外線写真を素早く撮影できる Flir vue pro カメラと統合されており、この研究では迅速なデータ収集のためにポータブル カメラの熱画像と組み合わせて使用​​されました。 カメラを取り付けたテストドローンの三次元ビューを図 1 に示します。分析はニューデリーの建物の数について実行されました。 アルミニウム箔を使用し、最初は砕いてから平らにし、その後 R 値を調べる必要がある試験壁に貼り付けました。 カメラは、砕けたアルミ箔に向けてビーム光の焦点を合わせ、反射温度を検出しました。 崩れた箔を図2に示します。

ドローンとカメラの配置のさまざまなビュー。

砕けたアルミホイル。

監査中のエネルギー要件の違いは、建物が初期設計で電力使用を考慮して設計されており、それが長年にわたって劣化しているため、損失の正確な場所を特定するために監査が必要であると解釈できます。 この構造が正確に特定され、再絶縁されれば、年間数十億ルピーを節約できる可能性があります。 予測モデルを進化させるために提供される調査および理論情報は、UAV-IR の取り決めから生成されました。 このセットアップの技術的評価を以下の表 1 に示します。

データの蓄積と実験は、図 3 に示す次のフローチャートによって実行されます。次のセクションでは、実験のテスト領域を理解するために仕様の構築について説明します。

ドローンとカメラの設置作業のフローチャート。

インドのニューデリーの建物設備における熱損失を規定するために、赤外線サーモグラフィー技術が採用されています。 Flir Vue pro 赤外線カメラと統合された Tello ドローンを使用して、建物の構造に関連する情報を取得します。 収集されたデータは、ソフトウェアの「SmartView」および「FLIR Reporter Pro」を使用してシミュレートされました。 本研究は、建築外壁要素の国際規格としても知られる ISO 6946:200738 で指定された規格に基づいて行われました。 この規格には、すべての主要な建築要素の熱抵抗または R 値を評価するためのいくつかの方法と戦略が規定されています。 テストの前に、構築に関する次の前提条件が考慮されました。

建物は、適用される建築基準法および基準に従って建設されました。

建設に使用される建材およびコンポーネントは、適切な品質と耐久性を備えています。

建物は、その構造的完全性や安全性に影響を与える可能性のある重大な環境上または自然上の危険にさらされていません。

建物の居住者は、適切なガイドラインと規制に従って施設を使用します。

この方法は、建物の外壁要素を通る熱伝達率を取得するのに役立ちます。 R 値評価の主な理由は、建物内の特定の場所に断熱材を適用することによる修理が必要になる可能性がある建物の外皮に関する貴重な情報を提供することです。 この研究では、断熱材の劣化、熱漏れ、それに関連するエネルギー損失が発生している領域も浮き彫りにしています。 この研究は、費用対効果の高い手順を提供することに主な焦点を当てて、これらのエネルギー損失をどのように修正できるかをさらに強調しています。 これにより、建物のエネルギー効率が向上し、持続可能な環境が提供されます。 計算された合計 R 値を表 2 に示します。次のセクションでは、新しい式の開発について説明します。

熱抵抗を決定するために使用される従来の方法は、環境パラメータ (DBT、RH、および WS) の変化を考慮していないため、あまり効果的ではありません 26。 周囲条件の変化を考慮せずに熱抵抗を評価するための従来の公式は、式 (1) に示されています。 (1):

本研究では、環境パラメータを考慮しながら高層ビルの R 値を計算するために、後でソフトウェアに転送する必要がある熱画像をキャプチャする赤外線カメラを備えた統合ドローンを組み込んでいます。 環境パラメータを考慮しながら R 値を評価する主な理由は、建物内の特定の場所に断熱材を適用することによる修理が必要になる可能性がある建物の外皮に関する貴重な情報を提供することです。 以前の研究では同様の式が使用されていましたが、測定やアクセスが困難な外壁の放射率は考慮されていませんでした27,28。 現在の研究では、建物のさまざまな場所に貼り付けられたアルミ箔と黒いテープにサーモグラフィックカメラのレーザーの焦点を合わせることで、この温度を簡単に取得できます。 これらの値は変数 OK1 によって測定されます。

周囲条件を考慮しながらドローンを利用してあらゆる壁の熱抵抗を測定する新しい式 Osama が開発されました。 さらに、入力環境パラメータの影響は、以前の研究では過小評価され、考慮されていなかった式で展開された 2 つの変数 (Ok2) の変動を補間することによって導出されます 29。 DBT、RH、WS、対流熱伝達係数 (h) などの環境要因は温度検出プロセスに大きな影響を与え、さらに R 値の検討につながります。 変数 Ok1 と Ok2 では、相対湿度、風速、乾球温度が熱抵抗に及ぼす影響が考慮されます。 この式は、統計ツール RMSE および R2 による AFIS ソフトウェアを使用してその精度と予測能力をテストすることによって検証されました。 式および 2 つの定数に対する上記のパラメーターの影響は、各入力環境パラメーターの有意水準を決定するための ANOVA として知られる静的テストで確認されました。 以下に示す式は、あらゆる環境条件にあるあらゆる壁の R 値を計算するために使用されます。 この式は、式 1 に示すように建物外壁の劣化を予測することで、壁からの熱損失を下げるのに役立ちます。 (2):

ここで、Rth は壁の熱抵抗、Tinside air は建物の内部温度 (おそらく 22 °C に維持)、Toutside air は外気温または周囲温度 (DBT とも呼ばれます)、Toutside 反射壁は推定温度です。アルミ箔からの反射後のカメラでの画像、hconv は対流熱伝達係数、ε は放射率、σ はステファン ボルツマン定数、Ok1 と Ok2 はオサマの変数です。

主に、このモデルは、世界中のすべての環境に適用できるグローバルで柔軟なモデルとして提供できます。 このモデルは、あらゆる建物外壁におけるエネルギー損失において費用対効果が高く、効率的であり、実験によって得られた値を再現しているため、実現可能です。 研究者は現在のフレームワークを使用して、未知の R 値を持つエンベロープ要素の構築に使用できる達成された節約を見積もることができます。 開発された式の検証については、次のセクションで説明します。

AFIS モデルは、高木・菅野フレームワークとマムダニ フレームワークのいずれかを使用して提供できます。 本研究では、入力の数がレベルごとに異なるため、実行可能な作業を得るために前者の方法を選択しました。 図 4 から明らかなように、入力がモデルに入力され、フレームワークが作成されました。出力が熱抵抗とその変数であるため、3 つのモデルが作成されました。 現在の研究の妥当性は、これらの問題が非常に限定的、非線形、不確実なデータベースであることが多いため、最大限の効率で現在の枠組みにモデルを確立した初期の工学的問題を比較することによって確立できます39,40。 AFIS は、多数の出力に対する複数の入力間の実現可能な関係を決定するための最重要ツールであるため、効率的な結果に関する最近のアプリケーションによって AFIS の人気が高まりました。 Sugeno モデルは、入力制約の予備ステップから始まり、ファジー化層、ルール帰結層、ルール強度正規化層、ルール帰結層、最後にルール推論層と続く 6 つの主要なステップで構成されます。 実行可能なアルゴリズムを開発すると、ファジィ理論が容易になり、式と式の間で説明した一連の手順に従うことでさまざまなメンバーシップを作成できます。 (3)～(12)。 実験中に 32 の試行テストが提供され、さらにトレーニング用 (24 件) とテスト用 (8 件) のデータセットに分割されました。 Sugeno アルゴリズムについて説明した完全な背景を表 3 に示します。

AFIS モデルのフレームワーク。

上記の層は、AFIS 式を適用して最終結果を得ることで経験的に説明されます。

ステップ 1: ファジー化ステップ

ステップ 2: 製品ステップ:

ステップ 3: 正規化されたステップ:

ステップ 4: 非ファジー化ステップ:

ステップ 5: 全体的な収量ステップ:

このような種類の複雑な問題に適用される従来のアプローチでは、入力変数と最終結果の実現可能性を開発するために、かなりの時間と熟練した労働力が必要です。 逆に、ソフト コンピューティング技術は、事前のデータセットを必要とせずに、実行可能な相互関係を提供しながら、同時に効果的な結果を生成することができます。 AFIS 手順から生成された近似値と計算は、RSM 手法の活用により正確性と生産性が強化され、さらに微調整される可能性があります。

多くの場合、入力の数が 9 手法を超える問題では、結果が局所最適化の範囲内に閉じ込められる可能性があるため、AFIS の実行可能性が低下し始めます。 さらに、矛盾した結果がアルゴリズムの進歩を曖昧にします。 この複雑さを克服するために、オサマ式と呼ばれるハイブリッド式が確立され、気象条件の測定プロセスにおけるすべての困難を考慮しながら、複合建物に関連する複雑さを迅速かつ効果的に導き出すことができます。

AFIS モデルに適用および生成されたすべての主要なデータを表に示します。 開発されたモデルの不一致は、式 1 と 2 で提供される決定係数 (R2) や平均二乗誤差 (RMSE) などの統計ツールを使用して説明できます。 それぞれ (13) と (14) です。

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

RMSE = 二乗平均平方根誤差、R2 = 分散率、Pi = モデリングから得られた予測値、Ei = 生成された実験値、Em = モデルから生成された予測値の平均、N = 利用可能なデータ、i = 必要な試行値計算される。

入力と出力の関係を取得できる実行可能な試行セットを開発するために、多数の入力を研究の指定された結果と結び付けることができる応答曲面法を採用します。 この研究でも、32 回の試行をそれぞれの適合方程式と関連付けました。 さらに、確立された関係モデルにより、すべての入力制約の新しい極値が指定されました。 ドローン モデリングには、実験データとモデル開発の実行可能性を確立する以前の文献調査で検証されたデータセットから確立された複数の入力セットが含まれます。 事前に指定されたレベルでは、開発された範囲は取得された実験入力と強く相関しており、その影響は最終結果にとって有益ではありませんでした。 気候上の制約は、乾球温度 2 ～ 41 °C、相対湿度 20 ～ 80%、風速 0 ～ 15 km/h で構成されています。 すべての試験は、新しい式の変数について、多数の気候状況（DBT、RH、および WS）に応じて複雑な幾何学的寸法にさらされた多様な構造壁を対象としており、その結果、結果に基づいてそれらの間で最も優れた組み合わせを達成しました。 モデルの解釈から、すべての結果に対するさまざまな適合方程式が開発され、後続のセクションで説明されます。 この調査は、条約で計画されている中央複合回転可能設計コレクション (CCRD) で有効な多数の制御因子、数値およびコード化された標準で構成されており、32 件の試験すべてをカバーしています。 異なる気候状況における包括的な情報セットを付録 1 に示します。

Vast ドメインは、要件に従って問題をシミュレートしながら、より高速かつ効率的な方法で予測値を提供する RSM 技術を暗黙的に導入することに成功しました。 このツールは、利用可能なパラメータのセットに基づいて応答を最適化します。 今後、RSM は、特定のデータセットに対する任意の数の入力のシミュレーション、最適化、およびレベルの変更を実行するためによく使用されます。 調査されたデータセットは、式 1 によって構築された 2 次の応答曲面回帰法多項式モデリングを使用して認識されます。 (15):

ここで、Y は必要な結果、Xi は因子の数値、項 β0、βi、βii、βij は回帰係数、i と j は一次係数と二次係数、ε は実験誤差です。 応答曲面グラフは、これらの適合表現を利用して描画されました。

試験壁からの熱放出を分析するには、いくつかのパラメータを変更します。 主に、環境パラメータは、出力としての定数のさまざまな実験読み取り値に関して変更されました。 理論的には、熱発生率 (HRR) は次の方程式で推定できます。

ここで、dQG/dθは総熱伝達率、dQN/dθは正味の熱伝達率、dQht/dθは壁への熱伝達率を規定します。

分析を簡略化するために、理論式では空気が理想気体として動作するとみなします。ここで、項 dQN /dθ は、特定の建物の室内で実行される仕事の割合と、体感的な内部エネルギーの変化率の合計を示します。 あれは、

ここで、定体積における比熱は \({C}_{v}\) で表され、比熱比は \(\gamma\) で表されます。

微分中に温度係数を拒否すると、次の方程式が導かれます。

上式は、熱伝達係数 (h)、部屋の壁で到達する平均温度を示す Twall、および壁の表面積である As で構成されます37。 乱流を受ける流体（空気）を考慮すると、推定できる方程式は次の式で与えられます。

ここで、定数値は \(0.35

エラー率の調査は、同等の機器の障害を通じて評価されます。 固有の不確実性は、入力および出力のパラメータを測定する際に、異なる機器セットに常に関連付けられます。 このセクションの主な目的は、これらのエラーを削減し、最終結果の有効性を最大化することです。 さらに、不確実性分析セクションと組み合わせた研究は正確であると考えられます。 不確実性は、さまざまなツール、測定機器、非熟練労働者、不適切な周囲条件などによって発生する可能性があります。 したがって、信頼性を高めるために、アクセスされる壁ごとにすべての変数が 3 回測定されます。

一般に、調査パラメータ (気候) の定量化と出力パラメータ (Ok1、Ok2、および R 値) の推定にはさまざまな手法が使用され、実験中に軽微な誤差が生じます。 実験解析の機器に存在するすべての誤差は、表 4 に事前に整理されています。この実験では、以下で確立された経験的定式化を使用して、全体の誤差率にアクセスします。

全体のエラー率 = ± 1.02%

実験設定で推定された全体のエラー率は ± 1.02% であり、通常の配列になります。

このセクションでは、ドローンと赤外線カメラのセットアップから R 値を計算するために必要な基本データを取得するために適用される手順について説明します。 このセクションでは、偏りのないデータを生成するために、精度がドローン周囲の大気条件にどのように依存するかについても強調します。 データ収集の基本的な基準は、必要な壁の写真を最大数生成するためのドローンの安定性です。 また、ドローンのストレージには限りがあるため、写真の数は壁ごとに 10 枚までに制限するように注意する必要があります。 ドローンは特定の高さに達した後、熱画像を通じて写真を撮影し、各壁からの熱損失をさらに推定します。 ドローンはおそらく、人間の手が届かないほど退屈な作業になる可能性がある高層ビルや高層ビルに適用されるでしょう。 以下の事前準備に従って、調査データセットを分析する前に、次の前提条件が考慮されます。

ドローン飛行前に、にわか雨の可能性、風速、乾球温度、周囲湿度などの通常の気象条件が観察されました。 湿度は 20 ～ 80%、風速は約 15 km/h、DBT は 2 ～ 41 °C の間で変動しました。

また、ドローンのバランスと高低差の制約も、適切な飛行のためのドローン ガイドで考慮されています。

ドローンが必要な高さに到達すると、熱画像が撮影されました。 早期に録画すると、ドローンのバッテリー寿命が短くなります。 すべての主要な壁の操作を完了するには、長いバッテリー寿命が必要です。

取得されたデータはモデル フレームワークに進められ、各壁の R 値内でさらに計算が行われました。

結果の均一性を達成するために、データ収集プロセスを完了するのにかかる合計時間は、1 日を通してさまざまな時間に約 20 時間 (1 日あたり 4 時間) かかります。 表 5 に示すように、1 か月の気候条件のほとんどをカバーするため、合計期間は 2 か月でした。テスト実行のより詳細な説明は補足セクションで提供されます。 A3.

ドローンは、建物の劣化の検出と評価に関して、従来の建物検査方法に比べていくつかの利点をもたらします。 ドローンの大きな利点の 1 つは、足場やその他の高価な機器を必要とせずに、屋根やファサードなどの届きにくいエリアにアクセスできることです。 これにより、より徹底的な検査が可能になり、見落とされる可能性のある問題を特定するのに役立ちます。 さらに、高解像度カメラやその他のセンシング技術を搭載したドローンは、構造上の問題、湿気の侵入、その他の劣化の兆候を特定するために使用できる詳細な画像とデータを提供できます。 最後に、ドローンを遠隔操作できるため、人間の作業者が潜在的に危険な状況に陥る必要性が減ります。 全体として、ドローンは建物の検査とメンテナンスのためのより安全、より効率的、効果的な方法を提供するため、建物の所有者や管理者にとってドローンの人気が高まっています。

データ収集プロセスは、R 値を推定する必要がある特定の高さまでドローンを飛行させるという単純な手法に広く基づいていました。 また、近すぎず遠すぎない一定の距離で撮影しました。 3 つの簡単な手順に基づいた迅速なデータ取得プロセスが採用されました。 熱画像を直接、集中してキャプチャします。 特定のセグメントでは、建物外壁の断熱材要件を設計する際に建物の欠陥を検出することの重要性を説明します。 値は、ルート、吸収、上昇気流の明瞭度、流域幅、および距離を定量化する適切なプロセスを提供することに特に注意を払い、細心の注意を払って取得されました。 このプロセスは非常に迅速に実行する必要があるため、物質の性質が考慮されない可能性があります。 値は、ソフトウェアに存在する値に基づいて後で調整されます。

ドローン検出プロセスでは、周囲温度は温度測定プロセスに大きく影響する重要な動作パラメータであるため、ハイブリッド式によって修正される可能性があります。 カメラの前面に存在する熱風が高温に関係する可能性があるため、周囲温度が高レベルになると、壁部分の正確な温度測定に多くの障害が生じる可能性があります。 逆に、風が発生するとカメラ内の読み取り値が低下します。 したがって、正の喫水の存在は測定値に不確実性をもたらしますが、この不確実性は、壁の劣化量を推定する際に環境の不確実性を考慮する変数 Ok1 および Ok2 を考慮することで除去できます。 相互の変数間の相互関係は、図から理解できます。 5と6。

DBT を使用した Ok1 のバリエーション。

DBT を使用した OK2 のバリエーション。

ドローンとカメラの統合を使用して、建物の運用条件における周囲湿度の違いが推定され、熱抵抗の実現に重要な役割を果たしていることがわかります。 気候によってより高いレベルの水分量が発生すると、アルミニウムと黒いテープの表面に水滴が形成されるため、ドローンカメラの測定プロセスに不確実性が生じます。 さらに、反射温度が測定される壁構造には湿った水滴のコーティングが蓄積します。 これらの固有の誤差は、R 値を評価するために開発された式に開発された変数を組み込むことによって無効化または回避できます。 展開された変数と RH の関係は、図から解釈できます。 7 と 8 は以下に表示されます。

RH を使用した Ok1 のバリエーション。

RH を使用した Ok2 のバリエーション。

ドローンの安定性は、反射温度近似における R 値の測定時に不可欠な制約です。 より高いレベルの周囲風が達成されると、ドローンの不均衡が生じ、不安定になり、温度測定に誤差が生じます。 調査全体で通常の基準が維持されている場合でも、測定スタンプにカメラを向けながらドローンを配置する必要がある場合があります。 これらの固有の誤差は、R 値を評価するために開発された式に開発された変数を組み込むことによって無効化または回避できます。 展開された変数と風速の関係は、図から解釈できます。 9と10。

OK1のWS付きバリエーション。

OK2のWS付きバリエーション。

このセクションでは、AFIS モデルの予後能力は、R 値と、この研究における周囲温度、周囲ドラフト空気、および相対湿度を含む気候状況との間の合理的な相関関係を示すと推定されます。 さまざまな気候の影響を受けて、数多くの壁の調査結果が得られました。

特定の関与と影響により、期間、労力、労力、石油を必要とする膨大な研究結果を提供する非常に広範なデータの収集に貢献します。 この研究では、部分的な数値を入力として構成する、無視できる程度の情報入力の不正確さで、適用的かつ安定した応答予測を可能にするために採用された AI 手法 (ANFIS) を提案します。 調査されたドローンデータから生成されたさまざまなデータセット、RSM 経由で取得されたトレーニングおよび検証は、菅野型ファジィ推論システムによって検査されます。このシステムは主に回帰分析の実証と後方傾斜降下技術を含む高度なプロセスを目的としています。伝播41。

ソフトコンピューティングは、ドローンの難しい設定用に確立されたアセンブリの膨大な機能を強化するために実行されます。 以前の改訂では、表 6 に示すように、3 つのトレーニング データセットと 4 つのプライマリ レベルで構成される AFIS 計画の効率性が提供されており、これらはさまざまなタイプの状況に応じてシステム内で作動する必要があります。これについては補足セクションに示します。 A2.

利用可能なデータ構造の実現可能なフレームワークを開発する場合、AFIS モデリングによって保証されるクレームは、現在の変数と取得された入力データセットに基づいて操作上の制約を生み出す環境要因と統合されます。 これらのアルゴリズムは、図 11a ～ f に示されているように、自然の生息地と式の変数間の多くのグラフを示しているように、テスト建物の周囲環境に関連する多数の変数とその結果についての実行可能な相互関係の開発を促進します。 平均二乗不一致と分散推定のパーセンテージは、利用可能なフレームワークのすべてのメンバーと、AFIS モデリングの Sugeno に続くデータセットで構築されたウェブ地形解剖学について評価されました。 さまざまな種類のメンバーシップの目的で、すべてのアルゴリズムの中で理想的に動作するアルゴリズムを予測するために、故障割合が達成されます。 最小誤差は Ok1 変数のガウス関数 2 で達成されますが、オサマ式の Ok2 変数ではガウス関数 1 メンバーシップ関数が最低の誤差率を達成しました。 また、表 6 から明らかなように、ガウス メンバーシップ 1 は熱抵抗 R 値のより良い出力を予測しました。

(a – f) 環境パラメータ (DBT、RH、WS) と式定数 (Ok1 および Ok2) の間の 3 次元プロット。

さまざまなメンバーシップ関数に対して開発されたすべてのモデルに固有の不確実性が表 6 にまとめられており、それぞれの最低誤り率の推定値が黄色のマークで強調されています。 効率的な AFIS モデルを準備すると、研究の結果をトレーニングおよび検証するために提供された事前の仮説情報とまったく同じ信頼できるデータが得られます。 また、AFIS クラスについて検査された予測値は、各変数間の相互関係を認識し、達成された結果が定式化で達成された成果にかなり近いため、予測された定式化の認証を示します。

ハイブリッド モデル (ANFIS、従来の理論と新しい理論) によって推定された結果は、二乗平均平方根誤差 (RMSE) や分散率 R2 などの回帰式に基づいて評価されました。 多くの場合、これらの統計ツールは、実験応答と予測応答の間の偏差を推定するために使用されます。 分散率 (R2) は、システム内のすべての過大評価と過小評価を考慮した線形回帰の概念に基づいて機能します。 RMSE は、残差 (実験データと予測データ) が最適直線にどの程度近いかを推定するために使用されます。 建築パラメータの結果を検証および相互検証するために、統計ツールを使用してさまざまな不確実性についてテストされました。 これらのソフト計算されたハイブリッド モデルの実現可能性を評価するために、さまざまな種類の回帰分析が実行されました。 予測モデルの精度は、RMSE や R2 などの回帰式を考慮することで検証されました。 評価された RMSE がゼロに近い場合、以前の予測モデルは正確であると見なされます。 逆に、モデルを正確にフィッティングするには、予測データの分散率が 1 に近い必要があります。 現在の研究では、実装されたすべてのモデルが上記の統計誤差基準に準拠しており、信頼性が高く一貫した予測が容易になります。

多目的応答最適化 (MORO) は Minitab 18 を利用して提供され、結果は図 12 にまとめて表示されます。多重応答最適化のグラフ表示によれば、ユーザーは 1 に近い最高の Ok1 と Ok2 を要求します。 Ok1 と Ok2 の予測最適値は、相対湿度 (RH) 44.90%、乾球温度 (DBT) 12.61 °C、風速 (WS) 5.20 km/h の最適グループで同時に達成されます。

パレート最適条件は応答曲面オプティマイザーで達成されます。

回帰アプローチを使用すると、式 Ok1 と Ok2 の定数は 0.91 と 0.99 であることがわかります。 Ok1 と Ok2 の R2 と R2 (adj) の値が計算され、それぞれ 98.65% と 98.35% であることがわかりました。 今後、関係するモデルのパラメーターは、現在確立されている結果に対して合理的に十分であると考えられます。 p 値検定、F 比検定、および分散 (ANOVA) を使用した同時分析が実行され、結果が表 7 に表示されます。必要な出力値のうち、線形特性は 0.01 であることがわかり、これは考慮される可能性があります。実質的なものとして。 不適合の F 値も、表 7 に示すそれぞれの値を使用して出力パラメーターに対して推定されています。

前のセクションでは、オサマ式は、空気中の環境変動を考慮していない初期の理論モデルと比較して、エラー率 (RMSE) の減少を報告しました 42,43。 さらに、まったく同じ統合フォーミュラで、1に近い天頂R2値を実現しました。 表 8 は、観察された応答値と近似された応答値の比較を示しています。 近似モデルと実際のモデルの間の計算された変動パーセンテージも確立され、結果に対する変数の影響を示す値が各最終行に表示されます。 回帰分析によって作成されたシミュレーションを図 8 に示します。

オサマ式の選択を検証し、正当化するために、以前のモデルを思い出し、表 9 に示す実験モデルと比較しました。データの比較は、さまざまな壁の結果に対する実験調査で確立されました。 現在のモデルは、環境変動を考慮に入れているため、オサマ式と同じパターンのより高い精度（より高い R2 で RMSE が低下）を示しており、それによって提案された式が検証されています。 比較分析のために、同様の問題における AI によって開発された以前のモデルと現在のモデルの検証を表 10 に示します。

最新の調査では、乾球温度、風速、相対湿度などの多数の気候変数で構成されるグリーンビルディングコンセプトを達成するために、ドローンとカメラの配置を採用する可能性があることが判明しました。 また、環境の変化を考慮しながら壁の熱抵抗を推定し、最終的に総熱損失を推定するために採用された新しい公式、すなわちオサマ公式が開発されました。 研究結果が生成され、公式から得られた結果との比較研究が確立されました。 従来の方法で生成されたデータセットでは、環境が変化し続けるため、プロセス全体で困難となる問題も伴う複雑さで多くの時間を費やしていました。 したがって、例示的な分析は、取得されたデータを変動させる気候変数の不一致を統合することによって、建築抵抗壁のより高い予測精度を発見し、承認する。 さらに、新しい計算式により、リアルタイムの達成値に近い最適な確率結果が生成されました。 分析の主な結果は以下で説明されています。

この研究は、さまざまな気候変動による建物の劣化を分析することで削減された電力使用量を最小限に抑えてグリーンビルディングを実現するという主な関心事に取り組んでいます。

この研究は、グリーンビルディングコンセプトを妨げる建物外壁コンポーネントによる主な熱ベースの損失を評価するのにも役立ちます。 これらの断熱材などの建築要素を適切に修正すると、動力伝達率が低下する可能性があります。

また、分析は不一致の特定の位置を特定するのに役立ち、それによって既存の設計を改善する機会が得られます。 さらに、この位置は、エンベロープの位置を絶縁するか完全に置き換えることによって改善できます。 位置は、さまざまなエンベロープの R 値を評価する統合型熱画像カメラによって検出されました。

研究では、ASHRAE 基準に従った以前の元の値と比較して、R 値が年月の経過とともに低下していることがわかりました。 得られた R 値により、設計のさまざまな変更を説明する貴重な計算が得られ、それによってエネルギー要件が低下し、建物の費用対効果が向上しました。

既存の調査は、今後の検査官が、コストのかかるクレーンを使用してエネルギー検査を行うことができない場合でも、簡単で費用対効果の高い方法で、さまざまな高層建築物の R 値を予測および評価するのに役立つ可能性があり、これによりエネルギー効率が向上する可能性があります。構造の。

ただし、異なる建物で同じ手順を繰り返した場合に結果がどの程度類似するかは、建物の建材、断熱材、向きなどの類似性、および測定時の外部環境条件によって異なります。 。 全体として、ドローンベースの熱抵抗測定は建物のエネルギー性能に関する貴重な洞察を提供する可能性を秘めていますが、方法の限界を考慮し、結果の精度と再現性に影響を与える可能性がある潜在的な誤差の原因を考慮することが重要です。 。 この研究の将来の範囲には、測定プロセス中にセンサーを使用して屋内環境を監視するなど、ドローンベースの熱抵抗測定に対する屋内条件の影響を軽減する方法の開発が含まれる可能性があります。 さらに、調査結果の一般化可能性を評価するために、より多くの建物サンプルを含めて研究を拡張することもできます。

現在の研究中に使用および/または分析されたデータセットは、合理的な要求に応じて責任著者から入手できます。

人工知能

比湿度

作動流体

モノのインターネット

適応ニューロファジィ推論システム

赤外線サーモグラフィー

平均気温

空調

オサマ・カーンの公式

国の建築基準法

乾球温度

顕熱

風速

潜熱

湿球温度

応答曲面法

相対湿度

二乗平均誤差の平方根

分散の割合

平均温度

シェーディング係数

オサマ カーン バリアブル 1

オサマ カーン バリアブル 2

Suthan, R.、Jayakumar, V.、Madhu, S. ケブラー繊維エポキシ複合材料の機械的特性の評価: 実験的研究。 内部。 J. ヴェー。 構造体。 システム 10(6)、389–394。 https://doi.org/10.4273/ijvss.10.6.02 (2018)。

記事 Google Scholar

Liu, D.、Xia, X.、Chen, J.、Li, S. ドローンベースの建物検査のための建物情報モデルと拡張現実の統合。 Ｊ．Ｃｏｍｐｕｔ． 文明工学 35(2)、958 (2021)。

記事 Google Scholar

Kalaitzakis、M. et al. ドローンベースの StereoDIC: システム開発、実験検証、インフラストラクチャ アプリケーション。 経験値メカ。 https://doi.org/10.1007/s11340-021-00710-z (2021)。

記事 Google Scholar

Kotharkar, R.、Ghosh, A.、Kapoor, S.、Reddy, DGK インドの都市における地域の気候帯に基づくエネルギー消費評価へのアプローチ。 エネルギービルド。 259、111835。https://doi.org/10.1016/j.enbuild.2022.111835 (2022)。

記事 Google Scholar

Wang、J.ら。 再帰反射コーティングと高反射コーティングを施した高密度密閉建築群の地域的な熱環境に関する実験比較。 エネルギービルド。 259、111864。https://doi.org/10.1016/j.enbuild.2022.111864 (2022)。

記事 Google Scholar

Mirzabeigi, S. & Razkenari, M. ドローン サーモグラフィーを使用した自動ビジョンベースの建物検査。 2022 年建設研究会議 (米国土木学会、2022 年)。

Google スカラー

Torres-Quezada, J.、Avilés, AT、Isalgue, A. & Pages-Ramon, A. アンデスの住宅建築における具体化されたエネルギーの進化。 クエンカ-エクアドルに適用された方法論。 エネルギービルド。 259、111858。https://doi.org/10.1016/j.enbuild.2022.111858 (2022)。

記事 Google Scholar

Albeaino, G.、Eiris, R.、Gheisari, M. & Issa, RR DroneSim: ドローンを介した建物検査のための VR ベースの飛行訓練シミュレーター。 構造イノヴ。 22、831–848 (2021)。

記事 Google Scholar

Hasan, M.、Ben, S. & Hughes, R. 大規模なエネルギー需要を満たすための建物検査技術の革命: 最先端のレビュー。 更新します。 持続する。 エネルギー改訂 130、109979 (2020)。

記事 Google Scholar

Li, Y. & Liu, C. 建設管理におけるマルチコプタードローン技術の応用。 内部。 J.Constr. 管理。 19(5)、401–412。 https://doi.org/10.1080/15623599.2018.1452101 (2018)。

記事 Google Scholar

Kyr Kou, C. & Theocharides, T. 緊急ネット: アトラス畳み込み特徴融合を使用した、ドローンベースの緊急監視のための効率的な航空画像分類。 IEEE J. Sel. 上。 応用地球観測 Remote Sens. 13、1687–1699 (2020)。

記事 ADS Google Scholar

Calvo、JAL、Alirezaei、G. & Mathar、R. 災害地域向けのドローンベースの MANET へのワイヤレス給電。 IEEE国際会議ワイレル。 スペースエクストリーム環境。 2017、98–103 (2017)。

Google スカラー

Madhu, S. & Balasubramanian, M. ガラス繊維強化ポリマー複合材料の加工におけるアブレイシブ ジェット プロセス パラメーターの影響。 材料科学および工学技術 48(11)、1146–1157。 https://doi.org/10.1002/mawe.201600744 (2017)。

記事 CAS Google Scholar

An, Y.、Choi, H.、Kim, E. & Kim, T. スリムなダブルスキン窓の季節温度特性と冷暖房エネルギー消費量の実験的分析。 エネルギービルド。 256、111692。 https://doi.org/10.1016/j.enbuild.2021.111681 (2022)。

記事 Google Scholar

Liang、R.ら。 人工知能手法を使用して、建物の内部熱増加を予測します。 エネルギービルド。 258、111794。https://doi.org/10.1016/j.enbuild.2021.111794 (2022)。

記事 Google Scholar

Seliem, H.、Shahidi, R.、Ahmed, MH、Shehata, MS ドローンベースの高速道路 VANET および DAS サービス。 IEEE 6、20125 ～ 20137。 https://doi.org/10.1109/ACCESS.2018.2824839 (2018)。

記事 Google Scholar

MH シャリク & BR ヒューズ 大規模なエネルギー需要を満たすための建物検査技術の革命: 最先端技術のレビュー。 更新します。 持続する。 エネルギー改訂 130、109979 (2020)。

記事 Google Scholar

Abdellatif, M.、Chamoin, J.、Nianga, J.、Defer, D. 室内暖房の機械学習予測モデルに基づく熱制御方法論。 エネルギービルド。 255、11692。 https://doi.org/10.1016/j.enbuild.2021.111692 (2022)。

記事 Google Scholar

Ma, Z.、Zhao, D.、Wang, F. & Yang, R. 放射冷却および加熱繊維の新しい温熱快適性と省エネ評価モデル。 エネルギービルド。 258、111842。https://doi.org/10.1016/j.enbuild.2022.111842 (2022)。

記事 Google Scholar

Fokaides, P. & Kalogirou, S. 建物外壁の全体的な熱伝達係数 (U 値) を決定するための赤外線サーモグラフィーの応用。 応用エネルギー 88、4358 (2011)。

記事 Google Scholar

Nardi, I.、Sfarra, S. & Ambrosini, D. U 値の推定のための定量的サーモグラフィー。 最先端の技術とケーススタディ。 Ｊ．Ｐｈｙｓ． 547、012016 (2014)。

Google スカラー

Park, S.、Kim, H.、Kim, K. & Kim, K. ドローン ベースのネットワーク インフラストラクチャのための 3D 空間上のドローン形成アルゴリズム。 IEEE Pers. インドアモブ。 ラジオコミュ。 https://doi.org/10.1109/PIMRC.2016.7794907 (2016)。

記事 Google Scholar

Prabu, B.、Malathy, R.、Gulshan Taj, MNA & Madhan, N. スマートシティにおけるドローン ネットワークと監視システム 26 (CRC Press、2023)。

Google スカラー

Burgues, J. & Marco, S. ドローンによる環境ガスのモニタリング。 大気質ネットワーク内。 環境情報学とモデリング (De Vito, S. et al. 編) (Springer、2023)。

Google スカラー

Halder, S. & Afsari, K. 建物とインフラの検査と監視におけるロボット: 体系的なレビュー。 応用科学。 13(4)、2304。https://doi.org/10.3390/app13042304 (2023)。

記事 CAS Google Scholar

Alkaabi, K.、Senghore, S.、Rhman El Fawair, A. 持続可能な都市に向けて: ドローンで撮影した 3D 熱画像を使用して建物と歩行者空間の熱環境をモニタリング。 フロント。 環境を構築しました。 8、1035546。https://doi.org/10.3389/fbuil.2022.1035546 (2023)。

記事 Google Scholar

Leggiero、M. et al. 小型無人航空機システム (sUAS) を利用した 3D サーモグラフィー モデルに基づく建物外壁の放射熱損失の推定。 エネルギービルド。 244、110957。https://doi.org/10.1016/j.enbuild.2021.110957 (2021)。

記事 Google Scholar

Oh, S.、Ham, S. & Lee, S. 建物外壁の亀裂とエネルギー損失の検出にフレームベースの位置識別を使用するドローン支援画像処理スキーム。 エネルギー 14(19)、6359。https://doi.org/10.3390/en14196359 (2021)。

記事 Google Scholar

Zheng, H.、Zhong, X.、Yan, J.、Zhao, L.、Wang, X. UAV 熱画像によって生成された 3D モデルに基づく建物外壁の熱性能検出方法。 エネルギー 13(24)、6677。https://doi.org/10.3390/en13246677 (2020)。

記事 Google Scholar

Kim, CW, Yang, SC & Ahn, YC 高層住宅における屋外の風の影響による外気圧分布に関する数値解析。 韓国のJ.エアコン。 冷蔵庫。 工学 23、639–645 (2011)。

Google スカラー

Nagappan, B.、Devarajan, Y.、Kariappan, E.、Philip, SB & Gautam, S. 牛脂バイオディーゼル燃料 CI エンジンの性能と排出特性に対する酸化防止剤添加剤の影響。 環境科学と公害研究 28(10)、12041–12055。 https://doi.org/10.1007/s11356-020-09065-9 (2020)。

論文 CAS PubMed Google Scholar

O'Grady, M.、Lechowska, AA & Harte, AM 複数のサーマル ブリッジと窓の熱評価への赤外線サーモグラフィー技術の応用。 エネルギービルド。 168、347–362。 https://doi.org/10.1016/j.enbuild.2018.03.034 (2018)。

記事 Google Scholar

Lin, D.、Jarzabek-Rychardb, M.、Tong, X. & Maas, HG ファサードの熱属性マッピングを構築するための点群と熱画像の融合。 ISPRS J. フォトグラム。 リモート。 上院議員 151、162–175 (2019)。

記事 ADS Google Scholar

ペンシルバニア州フォカイデスおよびSA州カロギロウ 建物外壁の全体的な熱伝達係数 (U 値) を決定するための赤外線サーモグラフィーの応用。 応用エネルギー 88(12)、4358–4365。 https://doi.org/10.1016/j.apenergy.2011.05.014 (2011)。

記事 Google Scholar

Kontokosta, CE、Spiegel-Feld, D. & Papadopoulos, S. 強制エネルギー監査が建物のエネルギー使用に及ぼす影響。 ナット。 エネルギー 5、309–316。 https://doi.org/10.1038/s41560-020-0589-6 (2020)。

記事 ADS Google Scholar

Celestino, F.、Carlos, P. & Pereira, E. UAV を使用した亀裂の自動認識のための組み込み画像処理システム。 IFAC 48、16–21。 https://doi.org/10.1016/j.ifacol.2015.08.101 (2015)。

記事 Google Scholar

Tarek, R. & Alice, G. 建築環境における無人航空システム (UAS) アプリケーションのレビュー: ドローンを使用した自動化された建物検査手順に向けて。 オートム。 構造 93、252–264 (2018)。

記事 Google Scholar

Genova, E. & Fatta, G. 歴史的建築における技術要素の熱物理学的特徴付け: パレルモでの経験。 手順アクタス デル コングレソ国際空港 Eficiencia Energética Edificación Hist。 2014、397–406 (2014)。

Google スカラー

Khan, O.、Khan, ME、Yadav, AK、Sharma, D. ユーカリ油からのバイオディーゼル生産の超音波支援最適化。 エネルギー源パート A 39(13)、1323–1331 (2017)。

記事 CAS Google Scholar

Aydına, M.、Uslu, S. & Celik, MB バイオディーゼルとディーゼルの混合燃料を燃料とする圧縮着火エンジンの性能と排出ガス予測: ANN と RSM ベースの最適化の組み合わせ適用。 燃料 269、117472 (2020)。

記事 Google Scholar

Jo, J.、Jadidi, Z.、Stantic, B. ソフトウェア エージェントを使用したドローン ベースの建物検査システム。 計算知能におけるインテリジェント分散コンピューティング研究 Vol. 737 (Ivanović, M. et al. 編) (Springer、2018)。

Google スカラー

Kumar, S. 適応ニューロファジー推論システム (ANFIS) を使用した、藻類油ブレンドからのバイオディーゼル生産の推定機能。 エネルギー源パート A 42、7 (2020)。

記事 Google Scholar

Khan, O.、Khan, ME、Parvez, M.、Ahmed, KAAR & Ahmad, I. 埋立地の浸出油から生成されたバイオディーゼルと、ナノ添加剤である酸化アルミニウムおよび酸化銅を組み合わせたディーゼルエンジンの抽出と実験。 革新的なエネルギー システムおよびデバイスのためのナノマテリアル 319–332 (Springer、2022)。

Google Scholar の章

セラジ、M.ら。 さまざまな環境戦略の下での機械加工産業向けの人工知能モデルの分析研究: インダストリー 4.0 アプローチ。 持続する。 オペラ。 計算します。 3、176–187 (2022)。

記事 Google Scholar

カーン、O.ら。 さまざまな噴射圧力でアイヒホルニア・クラッシペス油と酸化銅ナノ粒子を燃料として、ディーゼルエンジンの性能、燃焼、および排出特性を強化します。 エネルギー源パート A 44(3)、6501–6522 (2022)。

記事 CAS Google Scholar

Aghbashlo, M.、Hosseinpour, S.、Tabashibaei, M.、Younesi, H. & Najafpour, G. ハイブリッド ANFIS-NSGA-II (非優勢適応神経ファジィ推論システム) を使用した連続光生物学的水素生成の極限的最適化について遺伝的アルゴリズムのソート-II)。 エネルギー 96、507–520 (2016)。

記事 CAS Google Scholar

リファレンスをダウンロードする

この研究活動は、助成金番号 2 に基づいて機関投資家プロジェクトから資金提供を受けました。 (IFPIP: 655-247-1443)。 著者らは、教育省およびサウジアラビア、ジェッダのキング・アブドゥルアズィズ大学 DSR から提供された技術的および財政的支援に丁重に謝意を表します。

ジャミア ミリア イスラミア大学機械工学科、ニューデリー、110025、インド

オサマ・カーン

アルファラ大学機械工学部、ハリヤナ州、121004、インド

モフド・パルベス

サウジアラビア、ジェッダのキング・アブドゥルアズィズ大学数学学部

モニラ・アランサリ

カシム大学教育学部数学学科、ブライダ、51452、サウジアラビア

モハマド・ファリド

インド、タミル・ナドゥ州チェンナイ、SIMATS、サヴィータ工学院熱工学科

ユヴァラジャン デヴァラジャン

アンボ大学土木工学科、アンボ、エチオピア

スバシュ・タナッパン

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

PubMed Google Scholar でこの著者を検索することもできます

すべての著者が等しく原稿に貢献しました。

Yuvarajan Devarajan または Subash Thanappan への対応。

著者らは競合する利害関係を宣言していません。

シュプリンガー ネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープン アクセス この記事はクリエイティブ コモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブ コモンズ ライセンスへのリンクを提供し、変更が加えられたかどうかを示します。 この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブ コモンズ ライセンスに含まれています。 素材が記事のクリエイティブ コモンズ ライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。 このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

カーン、O.、パルベス、M.、アランサリ、M. 他さまざまな環境条件下でドローン技術を使用したエネルギー監査のためのグリーンビルディングコンセプトにおける人工知能の応用。 Sci Rep 13、8200 (2023)。 https://doi.org/10.1038/s41598-023-35245-x

引用をダウンロード

受信日: 2023 年 3 月 15 日

受理日: 2023 年 5 月 15 日

公開日: 2023 年 5 月 21 日

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

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

コメントを送信すると、利用規約とコミュニティ ガイドラインに従うことに同意したことになります。 虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。