A HYBRID APPROACH BASED ON BUILDING PHYSICS AND MACHINE LEARNING FOR THERMAL COMFORT PREDICTION IN SMART BUILDINGS

Authors

MONA M. SALEM, Faculty of Architecture - Design & Built Environment, Beirut Arab University, LebanonFollow
RAMY M. MOUSSA, Faculty of Computer Science and Artificial Intelligence, Pharos University in Alexandria, Alexandria, EgyptFollow

Abstract

One of the most important challenges facing the world is the application of modern technology in order to create smart buildings that achieve sustainable development goals (SDGs). Thermal comfort and reduction of energy consumption in buildings are considered important factors which, in turn, are reflected in creating a healthy environment and improving human productivity. Internet of Things (IoT) provides an ideal solution for collecting real-time data on the factors affecting indoor thermal comfort and energy consumption. However, comfort level is subjective and depends on many factors, which may not be learned by conventional models, an integrated model depending on thermal comfort factors is needed. In this work, a hybrid physics-based model incorporated with machine learning techniques is used for the prediction of thermal comfort inside buildings. XGBoost (eXtreme Gradient Boost) algorithm method was used due to its abilities to handle complex problems. A calculated dataset was extracted from the physics-based model gathered with the environmental variables data such as humidity, moisture, temperature, and air velocity collected from IoT devices. The results show an improvement in the prediction of the thermal comfort approach as compared with the conventional models. The XGBoost algorithm can exhibit an effective solution for eliminating deficiencies of traditional models and can be used when designing smart buildings, simulating, and evaluating the designed buildings, controlling energy consumption, and achieving thermal comfort.

Keywords

Thermal comfort, machine learning XGBoost, Smart buildings, building physics, IoT.

الملخص (Abstract in Arabic)

من أهم التحديات التي تواجه العالم تطبيق التكنولوجيا الحديثة من أجل إنشاء مبانٍ ذكية تحقق أهداف التنمية المستدامة. وتعتبر الراحة الحرارية وتقليل استهلاك الطاقة في المباني من العوامل المهمة التي تنعكس بدورها على خلق بيئة صحية وعلى تحسين إنتاجية الإنسان. يوفر إنترنت الأشياء (IoT) حلاً مثاليًا لجمع البيانات بطريقة متزامنة حول العوامل التي تؤثر على الراحة الحرارية الداخلية واستهلاك الطاقة. ولكن مستويات الراحة لا تقاس بشكل موضوعى وتعتمد على العديد من العوامل، والتي قد لا تتعلمها بالضرورة النماذج الحوسبية التقليدية. ولذا تظهر هنا الحاجة إلى نموذج متكامل يعتمد على عوامل الراحة الحرارية. تم فى هذا البحث استخدام نموذج هجين قائم على الفيزياء مدمج مع تقنيات التعلم الآلي للتنبؤ بالراحة الحرارية داخل المباني. تم استخدام طريقة خوارزمية XGBoost (eXtreme Gradient Boost) نظرًا لقدرتها على التعامل مع المشكلات المعقدة. تم استخراج مجموعة بيانات محسوبة من النموذج القائم على الفيزياء التي تم جمعها مع بيانات المتغيرات البيئية مثل الرطوبة ودرجة الحرارة وسرعة الهواء والتي تم جمعها عن طريق أجهزة إنترنت الأشياء. تظهر النتائج تحسنا في التنبؤ بنهج الراحة الحرارية مقارنة بالنماذج التقليدية. يمكن أن تعرض خوارزمية XGBoost حلاً فعالاً لإزالة أوجه القصور في النماذج التقليدية ويمكن استخدامها عند تصميم المباني الذكية ومحاكاة وتقييم المباني المصممة والتحكم في استهلاك الطاقة وتحقيق الراحة الحرارية.

الكلمات الدالة (Keywords in Arabic)

الراحة الحرارية، التعلم الآلى XGBoost، المبانى الذكية، فيزياء المبانى، انترنت الأشياء

Disciplines

Architecture | Arts and Humanities | Education | Engineering

Recommended Citation

SALEM, MONA M. and MOUSSA, RAMY M. (2023) "A HYBRID APPROACH BASED ON BUILDING PHYSICS AND MACHINE LEARNING FOR THERMAL COMFORT PREDICTION IN SMART BUILDINGS," Architecture and Planning Journal (APJ): Vol. 28: Iss. 3, Article 8.
DOI: https://doi.org/10.54729/2789-8547.1203