هوش مصنوعی
ThermoLLM برای کنترل تهویهٔ چندمنطقه‌ای از نقشهٔ فضایی و تاریخچهٔ دما کمک می‌گیرد
این چارچوب در شبیه‌سازی ساختمانی پنج‌منطقه‌ای، در شش سناریوی آب‌وهوا و فصل، در رتبه‌بندی TOPSIS از روش‌های مقایسه‌شده پیشی گرفت.
کنترل HVAC در ساختمان‌های چندمنطقه‌ای فقط به دمای بیرون و گرمای داخلی وابسته نیست؛ چیدمان اتاق‌ها، مجاورت فیزیکی آن‌ها و اثرهای حرارتیِ با تأخیر نیز بر تصمیم‌ها اثر می‌گذارند. پژوهشگران در پیش‌چاپی در arXiv، چارچوبی به نام ThermoLLM معرفی کرده‌اند که این اطلاعات مکانی را همراه با تاریخچهٔ اخیر مشاهدات در اختیار مدل زبانی بزرگ می‌گذارد.
ThermoLLM از گراف دانش فضایی مبتنی بر معناشناسی ساختمان به سبک Brick استفاده می‌کند و آن را به داده‌های یک بازهٔ زمانی متحرک از مشاهدات پیوند می‌دهد. نویسندگان می‌گویند رویکردهای پیشین مبتنی بر LLM با ناهماهنگی در نتایج، دشواری تعمیم و تأخیر در کنترل روبه‌رو بوده‌اند و اغلب به پاداش‌های عددی، بازخورد متنی یا بازیابیِ بدون ساختار تکیه داشته‌اند؛ در نتیجه، پویایی و ترمودینامیک مناطق ساختمان را به‌خوبی در تصمیم‌گیری لحاظ نمی‌کرده‌اند.
ارزیابی در محیط یک ساختمان پنج‌منطقه‌ای و در شش سناریوی ترکیبیِ اقلیمی و فصلی انجام شد. به‌گزارش مقاله، ThermoLLM در هر شش سناریو در رتبه‌بندی TOPSIS از همهٔ روش‌های پایهٔ ارزیابی‌شده بهتر عمل کرد و توازن انرژی و آسایش بهتری به دست آورد. منبع جزئیات عددی نتایج را در چکیده ارائه نمی‌کند. این مقاله ۱۶ صفحه‌ای به ACM ارسال شده است و در arXiv منتشر شده؛ بنابراین یافته‌های آن در قالب پیش‌چاپ عرضه شده‌اند.
این گزارش به کمک هوش مصنوعی تهیه شده است. مطالب براساس منابع درج‌شده تنظیم شده‌اند؛ صحت مستقل همه ادعاها تضمین نمی‌شود.
منبع: arXiv · AI (پیش‌چاپ) — مشاهده منبع اصلی ↗
پیش‌چاپ پژوهشی در arXiv؛ انتشار در این مخزن به معنی داوری همتا نیست
رد این داستان در رادار
خبرهای مرتبط از آرشیو منتشرشده