| dc.contributor.author | Γραμμένος, Αχιλλέας | |
| dc.date.accessioned | 2023-02-13T13:04:46Z | |
| dc.date.available | 2023-02-13T13:04:46Z | |
| dc.date.issued | 2022-10 | |
| dc.identifier.uri | https://dspace.uowm.gr/xmlui/handle/123456789/3161 | |
| dc.description.abstract | Ένα μεγάλο ποσοστό της κατανάλωσης ενέργειας παγκοσμίως οφείλεται στα ενεργειακά συστήματα κτηρίων. Σε αυτά εντάσσονται τα συστήματα θέρμανσης και κλιματισμού εσωτερικών χώρων τα οποία εξασφαλίζουν ένα βιώσιμο και άνετο περιβάλλον για τους ανθρώπους. Ζητούμενο είναι η ελαχιστοποίηση της κατανάλωσης ενέργειας των συστημάτων αυτών, χωρίς να θυσιαστεί η θερμική άνεση. Για την
επίτευξη αυτού του στόχου, οι ερευνητές κατέφυγαν στη δημιουργία μεθόδων μοντελοποίησης για να πετύχουν καλύτερη εποπτεία της θερμικής συμπεριφοράς των κτηρίων. Σε αυτή την κατεύθυνση, είναι απαραίτητος ο υπολογισμός του θερμικού βαθμού απόδοσης κτηρίων. Ο υπολογισμός του απαιτεί δεδομένα που προκύπτουν από μετρήσεις αισθητηρίων. Στην παρούσα εργασία κατασκευάστηκαν Βαθιά Νευρωνικά Δίκτυα με στόχο τον προσδιορισμό του θερμικού βαθμού απόδοσης ακόμα και σε περιπτώσεις που δεν υπάρχουν όλες οι απαραίτητες μετρήσεις. Με την πειραματική διαδικασία αποδεικνύεται ότι με χρήση των νευρωνικών δικτύων που υλοποιήθηκαν, είναι εφικτή η προσέγγιση του θερμικού βαθμού απόδοσης με αρκετά μεγάλη ακρίβεια για διάφορους συνδυασμούς μετρήσεων και δεδομένων. | en_US |
| dc.description.sponsorship | Επιβλέπων καθηγητής: Πλόσκας Νικόλαος | en_US |
| dc.language.iso | gr | en_US |
| dc.publisher | Γραμμένος, Αχιλλέας | en_US |
| dc.subject | Μηχανική μάθηση, Βαθιά Νευρωνικά Δίκτυα, Παλινδρόμηση, Ενεργειακά συστήματα κτηρίων, Python | en_US |
| dc.subject | Machine learning, Deep Neural Networks, Regression, Building energy systems, Python | en_US |
| dc.title | Βελτιστοποίηση ενεργειακών συστημάτων κτηρίων | en_US |
| dc.type | Thesis | en_US |
