tối ưu hóa ánh sáng ban ngày và tiện nghi thị giác trong các dự án xây dựng dựa trên chứng chỉ leedv4 bằng thuật toán kền kền châu phi

Nghiên cứu này đề xuất một cách tiếp cận mới thông qua việc sử dụng các thuật toán tối ưu hóa metaheuristic để cải thiện hiệu suất ánh sáng tự nhiên và đạt được tiêu chuẩn công trình xan

TỔNG QUAN

Ánh sáng ban ngày

Trước khi xem xét đến các nghiên cứu đã có, việc quan trọng chúng ta cần phải làm là hiểu rõ về các chỉ số đo lường của khái niệm “ánh sáng ban ngày”

Nghiên cứu này lựa chọn chứng chỉ công trình xanh LEED (The Leadership in Energy and Environmental Design) vì sự công nhận rộng rãi của nó như một tiêu chuẩn trong thiết kế và đánh giá công trình xanh[18] Cụ thể hơn, nghiên cứu này áp dụng phiên bản 4.1 của LEED, nhấn mạnh vào thiết kế thụ động và các phương pháp sử dụng ánh sáng ban ngày trong chiếu sáng tự nhiên của công trình

Nghiên cứu này tối ưu hóa hai chỉ số sDA và ASE vì chúng phù hợp với tiêu chí chiếu sáng ban ngày LEED v4.1 và đã trở thành tiêu chuẩn để đánh giá hiệu suất ánh sáng ban ngày sDA cho biết phần trăm không gian có đủ ánh sáng ban ngày cho người ở, trong khi ASE giúp xác định các vấn đề chói tiềm ẩn do ánh nắng trực tiếp có cường độ quá cao[19] Ban đầu, các thông số khác như hệ số ánh sáng ban ngày, khả năng tự chủ về ánh sáng ban ngày và độ chiếu sáng ban ngày hữu ích cũng đã được xem xét, nhưng cuối cùng sDA và ASE vẫn được chọn do chúng phù hợp chặt chẽ hơn với các yêu cầu của tiêu chuẩn LEED

Các dự án được chứng nhận LEED phải đạt được các tiêu chuẩn:

 Tự chủ ánh sáng ban ngày theo không gian (sDA): Phần trăm diện tích sàn đáp ứng mức độ chiếu sáng ban ngày tối thiểu (300 lux) trong ít nhất 50% số giờ sử dụng hàng năm Để đạt điểm theo LEED, các dự án phải đạt được sDA300/50% cho ít nhất 40% diện tích sàn sử dụng (1 điểm), 55% (2 điểm) hoặc 75% (3 điểm) Nghiên cứu này nhắm mục tiêu mức cao nhất là 75% sDA [6]

 Tiếp xúc với ánh nắng mặt trời hàng năm (ASE): Phần trăm diện tích sàn

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN nhận được ít nhất 1000 lux trong ít nhất 250 giờ sử dụng mỗi năm LEED v4.1 quy định giới hạn trên ASE1000/250 không quá 10% không gian sử dụng [6].

Các nghiên cứu trước đó

Đã có nhiều nghiên cứu đã đi sâu vào chủ đề tối ưu hóa mặt dựng công trình ElBatran và cộng sự[20] đã nghiên cứu thiết kế mặt dựng hai lớp tối ưu hướng về hướng Nam cho khí hậu nóng bức của Ai Cập để đáp ứng tiêu chuẩn LEED Tuy nhiên, nghiên cứu của họ không bao gồm ảnh hưởng của hình học mặt dựng, độ phản chiếu và màu sắc của mặt dựng đến hiệu suất ánh sáng ban ngày Tương tự, Zhang và Ji[21]đã sử dụng các công cụ mô phỏng tham số, chẳng hạn như Rhino và Grasshopper, để tối ưu hóa thiết kế cửa sổ căn hộ bằng thuật toán di truyền (GA), tuy nhiên các số liệu trọng tâm trong nghiên cứu của họ không đặt tính bền vững LEED làm trọng tâm

Glassman và Reinhart[22] đã khám phá tác động của các kịch bản khí hậu trong tương lai đối với việc tối ưu hóa mặt dựng bằng cách sử dụng các công cụ mô phỏng và thiết kế theo dạng tham số Nghiên cứu này tuy sâu sắc nhưng lại tập trung vào năng lượng và lượng khí thải carbon làm tiêu chí chính mà bỏ qua các khía cạnh lấy con người làm trung tâm trong việc xem xét đến hiệu quả cửa mặt dựng và chưa xem xét đến chất lượng ánh sáng ban ngày, sự thoải mái về thị giác và sự hài lòng của người sử dụng

Shan và Junghans[23] đã phát triển một thuật toán tiến hóa được gọi là bức xạ thích ứng để tối ưu hóa thiết kế mặt dựng của tòa nhà ở các vùng khí hậu khác nhau Nghiên cứu này sửa đổi một vài điểm đơn giản của thuật toán di truyền để đạt được kết quả tối ưu hóa gần như tối ưu nhưng lại có thể giảm chi phí tính toán một cách đáng kể Dù nghiên cứu này tối ưu hóa mặt dựng để đạt hiệu quả năng lượng liên quan đến các yêu cầu làm mát, sưởi ấm và chiếu sáng nhân tạo, nhưng lại không tính đến các yếu tố lấy con người làm trung tâm trong việc xem xét đến các yếu tố ảnh hưởng đến thiết kế mặt dựng

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN

Bakmohammadi và Noorzai[24] đề xuất một mô hình giúp các kiến trúc sư đánh giá thiết kế của một lớp học, nhấn mạnh vào sự thoải mái về nhiệt và tính bền vững của thiết kế Ngoài ra, Hosseini và các cộng sự[25] nhấn mạnh vai trò của mặt dựng trong việc nâng cao hiệu suất ánh sáng ban ngày trong công trình Mô hình nghiên cứu này dù phức tạp nhưng lại được thiết kế riêng biệt cho một loại tòa nhà cụ thể, điều này khiến mô hình giảm đi khả năng ứng dụng rộng rãi cho các loại công trình khác Nghiên cứu này không áp dụng tiêu chuẩn LEED vào quá trình nghiên cứu

Wang và cộng sự[26] tập trung vào việc cải tiến hệ thống lam che nắng cho các lớp học ở Nam Xương, Trung Quốc, nghiên cứu sử dụng mô hình tham số 3D và thuật toán NSGA-II nhưng lại không đưa các chỉ số bền vững vào quá trình nghiên cứu

Tabadkani và cộng sự[27] đã nghiên cứu yếu tố thoải mái về thị giác bằng sự đối lập giữa mặt dựng động và mặt dựng tĩnh, nhằm mục đích cải thiện hiệu suất ánh sáng ban ngày Trong một nghiên cứu khác, Fang và Cho[28] đã đào sâu vào việc tối ưu hóa mặt dựng ở các vùng khí hậu khác nhau, phân tích các biến số thiết kế khác nhau cho một tòa nhà văn phòng nhỏ ở các thành phố như Miami, Atlanta và Chicago

Nghiên cứu của Do và Chan[29] cung cấp những kết quả có giá trị về vấn đề kiểm soát ánh sáng ban ngày và độ chói cho công trình có mặt tiền nhiều lớp Nghiên cứu của chúng tôi nhằm mục đích bổ sung cho nghiên cứu của của Do và Chan trong việc giải quyết trực tiếp các tiêu chí về ánh sáng ban ngày của LEED v4.1, tập trung vào sự thoải mái về thị giác và có đủ ánh sáng ban ngày Mặc dù nghiên cứu của Do và Chan tạo thành nền tảng vững chắc, nhưng sự tuân thủ và áp dụng tiêu chuẩn LEED trong nghiên cứu này của chúng tôi lại tăng khả năng cho phép chúng ta sử dụng trong các dự án có mục tiêu nhắm đến tiêu chuẩn LEED ngay từ ban đầu

Kizilửrenli và Tokuỗ[30] đó nghiờn cứu một hệ thống mặt tiền đỏp ứng (responsive faỗade system) mới nhằm tối ưu húa ỏnh sỏng ban ngày cho mặt tiền hướng Tõy Hệ thống được mô hình hóa tham số của họ tập trung vào việc tối đa hóa Quyền tự chủ ánh sáng ban ngày trong không gian (sDA) trong khi vẫn duy trì Mức tiếp xúc với ánh sáng mặt trời hàng năm (ASE) dưới 10% để giảm nhiễu loạn thị giác Bằng cách

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN sử dụng các công cụ như Rhinoceros 3D, Grasshopper, Climate Studio và Octopus, họ đã cải thiện hiệu quả dữ liệu ánh sáng ban ngày từ các mô hình ban đầu, mang lại mức độ thoải mái hơn cho người dùng Cách tiếp cận của họ, mặc dù tương đồng với cách tiếp cận của chúng tôi trong việc tối ưu hóa việc kiểm soát ánh sáng ban ngày, nhưng lại khác nhau ở một số khía cạnh Đáng chú ý, phương pháp của họ không đứa tiêu chuẩn LEED vào điều kiện tính toán, thiếu sự thay đổi về vật liệu và chỉ so sánh kết quả với một kịch bản cơ bản không có mặt tiền, thay vì khám phá một loạt các thiết kế mặt tiền ngoài đời thực Cách tiếp cận này mặc dù mang lại nhiều giải pháp nhưng lại bỏ qua việc so sánh trực tiếp với các thiết kế mặt tiền thường được sử dụng, có khả năng hạn chế khả năng ứng dụng rộng rãi hơn những phát hiện của họ trong các tình huống thực tế

Tóm lại, các nghiên cứu được đề cập đã đạt được những tiến bộ đáng chú ý Tuy nhiên, phải thừa nhận rằng một số khía cạnh của thang đo LEED và yếu tố quan trọng của quá trình vận hành công trình là người sử dụng và cư dân sinh sống bên chưa được ứng dụng và quan tâm đúng mức.

Giải thuật tối ưu hóa lấy cảm hứng từ thiên nhiên: Khám phá tiềm năng và hiệu suất của thuật toán AVOA

Sự quan tâm đến các kỹ thuật tối ưu hóa lấy cảm hứng từ sinh học ngày càng tăng, các nhà nghiên cứu gần đây đã bắt đầu áp dụng những thuật toán này để giải quyết các vấn đề tối ưu hóa thực tế trên nhiều lĩnh vực khác nhau Ví dụ, Son và cộng sự[31] đã giới thiệu thuật toán Sin Cosin (SCA) nâng cao tích hợp lựa chọn bánh xe roulette với Opposition-based Learning (OBL), thể hiện hiệu suất vượt trội so với các thuật toán tối ưu hóa truyền thống trong các bối cảnh có nhiều kỹ thuật tối ưu hóa khác nhau Son và Nguyen Dang[32] đã trình bày mô hình MVO như một công cụ hiệu quả để giải quyết các vấn đề tối ưu hóa thời gian-chi phí trong quản lý dự án xây dựng, vượt trội hơn các kỹ thuật khác trong các ứng dụng quy mô nhỏ Son và cộng sự[33] đã đề xuất kỹ thuật tối ưu hóa trong việc lập kế hoạch cho việc vận chuyển xe tải bê tông trộn sẵn (RMC) Cốt lõi của nó là một thuật toán trí tuệ bầy đàn lai mới kết hợp trình tối ưu hóa sói xám (GWO) với thuật toán chuồn chuồn (DA) Thuật toán

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN thu được có hiệu suất vượt trội so với các thuật toán độc lập và báo trước một bước nhảy vọt trong việc hợp tác nhà máy đa độc lập để phân phối RMC một cách chuẩn xác trong lĩnh vực xây dựng Son và Nguyen Dang đã trình bày một mô hình tổng hợp có tên là trình tối ưu hóa đa vũ trụ (hybrid multi-verse optimizer model - hDMVO)[34], tích hợp MVO và thuật toán sin cosine (SCA) Mô hình này rất thành thạo trong việc quản lý các vấn đề khó khăn về cân bằng thời gian và chi phí (TCTO) riêng biệt trong việc điều phối dự án xây dựng Sức mạnh của nó tỏa sáng thông qua các đánh giá điểm chuẩn và khả năng đưa ra các giải pháp ưu việt trong các kịch bản TCTO quy mô lớn cho các dự án phức tạp Đối với các tác vụ lặp lại với nhiều trường hợp đồng thời, thuật toán nấm nhầy chọn lọc thích ứng (ASSMA) được nghiên cứu bởi Son và Khoi[35] Nghiên cứu này phát triển thuật toán nấm nhầy đột biến chéo (MCSMA) để cân bằng thời gian, chi phí, chất lượng và tính liên tục trong một dự án xây dựng[36] Ngoài ra, cũng đã có nhiều nghiên cứu sâu rộng trong lĩnh vực trí tuệ nhân tạo như Son và Nam[37] đã sử dụng thuật toán Tối ưu hóa Sin Cosine đã được lai ghép để giải quyết Dự án Giao thông vận tải Mô hình tối ưu hóa đa chiều kết hợp cho bài toán đánh đổi chi phí-thời gian rời rạc khá lớn của Son và Nguyen Dang[34] Để giải quyết những hạn chế của thuật toán GWO, Son và Trang[33] giới thiệu HDGM, một mô hình tối ưu hóa lai kết hợp thuật toán chuồn chuồn và trình tối ưu hóa sói xám Phần mềm Weka được mô tả bởi Son và Luan[38] đã hỗ trợ mô hình hóa bằng các thuật toán mạnh mẽ và độ tin cậy cao

Giải thuật tối ưu hóa đã thu hút nhiều sự chú ý trong lĩnh vực trí tuệ nhân tạo nhờ khả năng đưa ra giải pháp cho các vấn đề tối ưu hóa phức tạp mà các thuật toán truyền thống chưa đáp ứng được[28] Các thuật toán này, thường lấy cảm hứng từ các hiện tượng tự nhiên hoặc xã hội học, nhằm mục đích đạt được sự cân bằng giữa khám phá (tìm kiếm các vùng đáp án mới trong không gian tìm kiếm) và khai thác (tinh chỉnh phương án tìm kiếm trong khu vực hiện tại) Sự khéo léo của những kỹ thuật này nằm ở việc mô phỏng các hành vi cụ thể được quan sát thấy trong tự nhiên hoặc xã hội, tận dụng tiềm năng trí tuệ sẵn có có của hệ thống Một sự bổ sung gần đây cho Giải

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN thuật tối ưu hóa lấy cảm hứng từ thiên nhiên là Thuật toán Tối ưu hóa Kền kền Châu Phi (AVOA)

Chúng ta xem thuật toán tối ưu hóa kền kền châu Phi (AVOA) là thuật toán chính cho nghiên cứu này, nhằm tối đa hóa các chỉ số về độ thoải mái về mặt thị giác, vì những lý do sau đây:

 Được phát triển gần đây: AVOA được giới thiệu vào năm 2021[30], là một thuật toán mới được phát triển và đang trải qua quá trình sàng và phát triển[39], [40], [41], [42], [43], mang lại cơ hội cải tiến hơn nữa và mở rộng các lĩnh vực có thể ứng dụng thuật toán

 Đã cho thấy sự hiệu quả trong một số nghiên cứu: Các nghiên cứu sơ bộ đã chứng minh hiệu suất ấn tượng và nhất quán của AVOA, thuật toán này thường vượt qua các thuật toán Metaheuristic trước đây trong các bài kiểm tra đánh giá sức mạnh tối ưu hóa[44],[45], [46], [47]

 Tính linh hoạt: AVOA thể hiện tính linh hoạt trong việc giải quyết một loạt các thách thức trong bài toán tối ưu hóa, bao gồm cả những thách thức có nhiều ràng buộc và các vấn đề phi tuyến phức tạp[45], [46], [47] Khi khám phá tiềm năng và hiệu suất của AVOA trong việc tối ưu hóa thiết kế mặt dựng nhằm nâng cao hiệu quả của ánh sáng ban ngày, người ta thừa nhận rằng lý do chọn AVOA, như đã nêu trước đó, mang tính chủ quan ở mức độ nào đó Để đánh giá tính xác thực của những lý do này và để có được góc nhìn rộng hơn về hiệu quả của AVOA, nghiên cứu này cũng sẽ tiến hành so sánh sơ bộ với hai thuật toán siêu dữ liệu đã được thiết lập tốt: Thuật toán di truyền (GA) và trình tối ưu hóa Sói xám (GWO)

Phân tích so sánh này không nhằm mục đích đánh giá một cách toàn diện hay cứng nhắc về các thuật toán này mà nó nhằm mục đích cung cấp cái nhìn sâu sắc ở các bước đầu về hiệu quả tương đối của chúng trong bối cảnh tối ưu hóa mặt dựng để có không gian đủ ánh sáng ban ngày và đạt chuẩn LEED, đặc biệt là trong điều kiện hạn chế về phần cứng máy tính của chúng tôi Việc so sánh này nhằm cung cấp cái nhìn khái quát về hiệu suất của các thuật toán trong thiết lập bài toán của chúng ta Do đó, mục tiêu chính là khám phá xem liệu lựa chọn của AVOA dựa trên các tiêu chí cụ thể trước đó có đáp ứng được yêu cầu khi đặt cạnh GA và GWO trong môi trường tính toán hạn chế hay không

Thuật toán di truyền (GA), một thuật toán phổ biến mô phỏng quá trình chọn lọc tự nhiên, được đề xuất lần đầu tiên bởi J.H Holland vào năm 1992[48] Tuy nhiên, nền tảng của GA có thể bắt nguồn từ năm 1975, đánh dấu nguồn gốc sâu xa hơn của nó trong lý thuyết tối ưu hóa[49] Thuật toán này được sử dụng rộng rãi để giải quyết các vấn đề tối ưu hóa phức tạp và phát triển các giải pháp qua nhiều thế hệ tính toán[50] Khả năng thích ứng và tính mạnh mẽ của nó làm cho GA trở thành một chuẩn mực thích hợp để so sánh, chứng tỏ tính phù hợp và hiệu quả lâu dài của nó trong các bối cảnh tối ưu hóa khác nhau Đầu tiên, một tập hợp các giải pháp ứng viên ban đầu được tạo ngẫu nhiên Mỗi giải pháp được biểu diễn dưới dạng nhiễm sắc thể, thường được mã hóa dưới dạng chuỗi bit nhị phân Tính thích hợp hoặc chất lượng của từng giải pháp được đánh giá bằng cách sử dụng hàm thích hợp được xác định trước Sau đó, quá trình chọn lọc được sử dụng để xác định giải pháp nào từ quần thể hiện tại sẽ được sử dụng để tạo

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN ra con cái cho thế hệ tiếp theo Các giải pháp có độ thích hợp cao hơn sẽ có cơ hội được lựa chọn cao hơn Các phương pháp lựa chọn phổ biến bao gồm bánh xe roulette, giải đấu và lựa chọn thứ hạng

Các giải pháp được chọn trải qua quá trình trao đổi chéo, trong đó các phần của chuỗi nhiễm sắc thể của chúng được hoán đổi để tạo ra các giải pháp con mới Các kỹ thuật phân tần khác nhau bao gồm phân tần đơn điểm, đa điểm và phân tần thống nhất Quá trình chéo kết hợp thông tin từ các giải pháp tốt với mục tiêu khám phá các giải pháp thậm chí còn tốt hơn qua các thế hệ kế tiếp Sau khi lai ghép, đột biến được áp dụng, trong đó các thay đổi ngẫu nhiên được thực hiện đối với các bit riêng lẻ trong chuỗi nhiễm sắc thể Đột biến giúp duy trì sự đa dạng trong quần thể và cho phép khám phá các khu vực mới của không gian tìm kiếm

Các giải pháp mới được tạo sẽ hình thành quần thể cho thế hệ tiếp theo trong GA và chúng sẽ được đánh giá mức độ phù hợp Chu kỳ chọn lọc, lai ghép, đột biến và đánh giá sức mạnh này được tiếp tục thực hiện qua nhiều thế hệ Theo thời gian, các giải pháp sẽ phát triển để phù hợp hơn, cuối cùng hội tụ thành các giải pháp gần tối ưu cho vấn đề Giải pháp tổng thể tốt nhất được trả về sau khi đáp ứng các tiêu chí được đặt ra trước đó, thường dựa trên số lượng thế hệ cố định, chất lượng giải pháp đạt yêu cầu

Tóm lại, các thuật toán di truyền tận dụng sức mạnh của quá trình tiến hóa để tìm kiếm một cách hiệu quả các không gian rộng lớn, phức tạp, tinh chỉnh lặp đi lặp lại các bộ sưu tập giải pháp ứng cử viên dựa trên các nguyên tắc như chọn lọc tự nhiên, tái tổ hợp và đột biến Khả năng GA tránh bị mắc kẹt trong tối ưu cục bộ mang lại

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN cho chúng lợi thế so với các kỹ thuật tối ưu hóa khác đối với nhiều vấn đề trong thế giới thực

Phương pháp tiếp cận phân tích tham số đối với ánh sáng ban ngày và tiện

và tiện nghi thị giác bằng cách sử dụng hệ thống che nắng phản ứng với ánh nắng mặt trời

Sau đây là phần giới thiệu chi tiết hơn về phương pháp mới mà Tabadkani và cộng sự[27] sử dụng trong nghiên cứu về chiếu sáng tự nhiên và tiện nghi nhìn Trọng tâm chính nằm ở phương pháp tiếp cận độc đáo của Tabadkani trong phân tích thông qua các tham số, được thực hiện thông qua một hệ thống vỏ bao che thích nghi theo điều kiện ánh sáng mặt trời Phân tích đi sâu vào việc khám phá tác động của một loạt biến số lên điều kiện chiếu sáng nội thất và tiện nghi nhìn trong một không gian văn phòng ở thủ đô Tehran; Iran, nơi có khí hậu đặc trưng nóng ẩm Trong phần này, chúng tôi trình bày chi tiết về quá trình phát triển hệ thống này và cách ứng dụng của nó có thể cải thiện hiệu suất chiếu sáng ban ngày và tiện nghi nhìn tổng thể

Nghiên cứu trên được xây dựng xung quanh việc tìm hiểu khả năng và hạn chế của việc tạo ra một lớp vỏ bao che có thể đáp ứng theo điều kiện ánh sáng mặt trời Thử nghiệm trên một không gian văn phòng với mặt chiếu sáng hướng về phía nam, đặt tại thủ đô Tehran; Iran Nghiên cứu được chia thành ba giai đoạn: mô hình hóa dựa trên tham số, xác định tiêu chí và mô phỏng

Giai đoạn một tập trung vào việc chuyển một hoa văn trang trí đặc trưng của Hồi giáo, có tên gọi là “hoa văn Ngôi sao Hồi giáo” (Islamic Star Patterns ) [53] hay Rosette [54], thành một mẫu hoa văn động, có khả năng thay đổi Mẫu hoa văn này sẽ được sử dụng như là một thiết bị chắn sáng thích nghi, thông qua các công cụ thiết kế và tính toán như Grasshopper/Rhino sẽ giúp gia tăng sự đồng đều của lượng ánh sáng lọt vào trong công trình

Giai đoạn hai, nhóm nghiên cứu phát triển một nguyên mẫu vỏ bao che có thể được điều khiển bằng các tham số, đồng thời với một tập hợp các tiêu chuẩn về tiện nghi nhìn, thực hiện bằng Grasshopper, DIVA kết hợp với Radiance và DAYSIM[55] Giai đoạn ba bao gồm việc tạo ra một loạt các giải pháp thiết kế đa dạng thông qua việc sử dụng thuật toán tiến hóa Galapagos Các giải pháp được xây dựng dựa trên

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN các biến đầu vào, nhắm đến việc tối ưu hóa các chỉ số sDA300, 50% và ASE1000, 10% có ít cho việc đánh giá và chứng nhận công tình về sau

Mặc dù nghiên cứu thành công trong việc giới thiệu một cách tiếp cận mới và tiềm năng thông qua hệ thống vỏ bao che động Chúng ta nên cân nhắn các hạn chế của mô hình này Phương pháp này sáng tạo, nhưng có những nhược điểm như chi phí có thể cao hơn đáng kế so với vỏ bao che truyền thống, cần có giải pháp để vận hành và bảo trì một hệ thống phức tạp, với hàng nghìn chi tiết chuyển động Hơn nữa, việc lựa chọn thuật toán Galapagos, mặc dù là một phần quan trọng trong quá trình, nhưng chưa được xác minh về tính hiệu quả cho trường hợp cụ thể của nghiên cứu Điều này có thể làm giảm hiệu quả của mô hình khi ứng dụng vào các trường hợp lớn, phức tạp, và đòi hỏi nhiều input hơn Do đó, mặc dù công trình của Tabadkani cho thấy một cái nhìn giá trị và tiến bộ trong lĩnh vực này, nhưng chúng ta vẫn cần thêm những nghiên cứu để tiếp nối, tinh chỉnh, giải quyết các thách thức và đẩy mạnh hơn nữa năng suất làm việc của hệ thống

2.5 Sơ lược về thuật toán African Vulture Optimization Algorithm (AVOA)

AVOA (African Vulture Optimization Algorithm) là thuật toán tối ưu hóa metaheuristic tương đối mới, được đề xuất bỏi Benyamin Abdollahzadeh và cộng sự[17] vào năm 2021 Lấy cảm hứng từ hành vi phức tạp quan sát thấy ở loài kền kền chậu Phi khi tìm kiếm thức ăn Để phát triển thuật toán, Abdollahzadeh và nhóm nghiên cứu đã quan sát tỉ mỉ hành vi kiếm ăn của kền kền châu Phi, chú ý những yếu tố khác nhau ảnh hưởng đến quá trình này

Trong đó, mức độ đói của kền kền là một trong các yêu tố quan trọng hàng đầu Các nhà nghiên cứu nhận thấy động lực tìm kiếm cũng như cách thức kiếm ăn bị chi phối lớn bởi mức độ no hoặc đói của chúng[56] Khi thiếu ăn, kền kền thể hiện sự quyết tâm cao hơn, thúc đẩy chúng sử dụng các chiến lược mang tính mạnh mẽ, hiếu chiến hơn[57], [58]

Ngoài trạng thái đói, sức mạnh thể chất là một yếu tố khác tác động đáng kể đến hành vi kiếm ăn của kền kền châu Phi Những cá thể khỏe hơn có khả năng bay được xa hơn trong quá trình tìm kiếm, khám phá những khu vực rộng lớn, nâng cao khả năng tìm được nguồn thức ăn[58], [59]

Tiếp đến là phương thức mà kền kền di chuyển, hay cách mà chúng bay Nhóm nghiên cứu phát hiện ra kền kền sử dụng nhiều kiểu bay khác nhau tùy vào điều kiện môi trường, nguồn thức ăn sẵn có và sự hiện diện của những con kền kền khác Những kiểu bay này thể hiện khả năng thích ứng với hoàn cảnh thay đổi, giúp tối ưu hóa khả năng sinh tồn

Sự tương tác giữa những cá thể kền kền cũng là một khía cạnh quan trọng Hành vi cạnh tranh xuất hiện khi nguồn thức ăn hạn chế Các nhà nghiên cứu đã khảo sát tác động của sự lựa chọn thời điểm, tổ chức xã hội, và chiến thuật lên khả năng giành lợi thế của chúng khi xung đột xảy ra

Thông qua sự tìm hiểu về các yếu tố trên, nhóm của Abdullahzadeh hướng đến việc áp dụng những gì làm nên sự thành công của kền kền châu Phi vào thuật toán AVOA Với mục tiêu xây dựng một công cụ tối ưu hóa mạnh mẽ, giải quyết được các vấn đề phức tạp, lấy cảm hứng từ loài chim ăn xác đáng kinh ngạc này

Thuật toán AVOA mặc định được triển khai dựa vào các giả định sau[17]:

- Khởi tạo dân số ban đầu: Bắt đầu với xác định số lượng kền kền (N) có trong môi trường Con số này xác định dựa trên vấn đề cụ thể mà nhà nghiên cứu muốn giải quyết Số lượng này chính là số lượng cá thể mà thuật toán metaheuristic sử dụng để tính toán cho quần thể ban đầu

- Phân nhóm: Trong môi trường, kền kền được chia thành hai nhóm Đầu tiên, thuật toán sẽ tính toán giá trị hàm mục tiêu (fitness function) cho tất cả cá thể của quần thể ban đầu Dựa trên kết quả đó, kền kền được chia thành hai nhóm

Cá thể có thể lực cao nhất được chỉ định là kền kền đứng đầu của nhóm thứ nhất, trong khi giải pháp tốt thứ hai được chỉ định thành kền kền đứng đầu của

PHƯƠNG PHÁP NGHIÊN CỨU

Thuật toán AVOA

Sau đây, chúng tôi trình bày sơ lược lại thuật toán tối ưu AVOA lấy ý tưởng từ kền kền châu Phi với hình ảnh và công thức từ nghiên cứu gốc của Abdollahzadeh và cộng sự[17], gồm 4 bước như sau:

3.1.1 Bước 1: Lựa chọn kền kền tối ưu trong một nhóm

Theo sau sự khởi tạo quần thể ban đầu, thể lực của tất cả kền kền được tính toán Giải pháp có thể lực cao nhất được xác định là kền kền tối ưu trong nhóm đầu tiên, trong khi giải pháp có thể lực cao thứ hai được chọn là kền kền tối ưu trong nhóm thứ hai Các giải pháp còn lại, sử dụng Công thức 1 để lựa chọn hướng tới giải pháp tốt

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN nhất trong nhóm thứ nhất hoặc thứ hai Quá trình này được lặp lại cho mỗi vòng lặp, yêu cầu tính toán lại toàn bộ dân số

Công thức 1 được sử dụng để giúp mỗi cá thể lựa chọn một trong hai kền kền tối ưu nhất để hướng đến Tham số L1 và L2, được quyết định trước quá trình tìm kiếm, có giá trị trong khoản từ 0 đến 1 sao cho tổng của chúng bằng 1 Sau đó, bằng phương pháp bánh xe Roulette (Công thức 2), biến chúng thành xác suất để lựa chọn một trong hai giải pháp

3.1.2 Bước 2: Tốc độ đói của kền kền

Khi có đủ thức ăn, kền kền có nhiều năng lượng hơn và bay được xa hơn để tìm thức ăn Tuy nhiên khi đói, sự thiếu hụt năng lượng khiến phải trành giành thức ăn với kền kền có thể lực cao hơn Cái đói cũng khiến kền kền trở nên bạo lực hơn[57], [58]

Công thức 4 được dùng để mô hình hóa hành vi này Bằng cách điều chỉnh mức độ no và đói của kền kền, ta có thể hướng thuật toán đi vào giai đoạn tìm kiếm hoặc khai thác cục bộ Công thức 4 được thiết kế để khiến mức độ ăn no của kền kền có xu hướng giảm theo thời gian

Trong Công thức 3 và Công thức 4, F đại diện cho mức độ no của kền kền Biến iteration i tương ứng với số vòng lặp hiện tại, maxiterations tổng số vòng lặp tối đa Biến z là một số ngẫu nhiên có giá trị từ -1 đến 1, thay đổi theo mỗi vòng lặp Biến h

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN là số ngẫu nhiên trong khoản -2 đến 2, cũng được thay đổi cho mỗi vòng lặp Biến rand 1 là số ngẫu nhiên từ 0 đến 1

Khi giải quyết các vấn đề tối ưu hóa phức tạp, không có gì đảm bảo rằng sau giai đoạn khám phá, quần thể sẽ cho về kết quả tổng thể tốt, thường dẫn đến sự hội tụ sớm ở giai đoạn tối ưu cục bộ Công thức 3 được sử dụng để gia tăng khả năng thoát khỏi tối ưu cục bộ, qua đó tăng hường hiệu quả của thuật toán[60]

Các công thức trên sẽ khiến cho những vòng lặp cuối cùng của AVOA tập trung thực hiện khai thác cục bộ, trong khi những vòng lặp đầu có xu hướng khám phá nhiều hơn Sự thay đổi này có thể được được chỉnh thông qua Công thức 3, mục đích là làm tăng xác suất xảy ra bước khám phá ở những vòng lặp cuối Thông qua tham số w, được quyết định trước khi thực thi thuật toán, việc sử dụng số w lớn hơn sẽ làm tăng xác suất xảy ra pha khám phá ở các vòng lặp cuối và ngược lại

Sự thay đổi của F và t với các giá trị w khác nhau được thể hiện ở Hình 3.1 Hình 3.2

Hình 3.1 Sự thay đổi của thời hạn xáo trộn t dưới các giá trị của tham số w[17]

Hình 3.2 Sự thay đổi của tốc độ đói của kền kền F dưới các giá trị của tham số w[11]

Xu hướng khám phá của kền kền giảm dần sau mỗi lần lặp lại Khi giá trị tuyệt đối của F vượt quá 1, kền kền mở rộng tìm kiếm thức ăn, kích hoạt giai đoạn khám phá của AVOA Ngược lại, nếu giá trị tuyệt đối của F giảm xuống dưới 1, AVOA sẽ chuyển sang giai đoạn khai thác cục bộ, giới hạn việc tìm kiếm thức ăn của kền kền trong vùng lân cận của các giải pháp hiện có

Phần này tập trung vào pha khám phá của thuật toán AVOA (Artificial Vulture Optimization Algorithm)

Trong môi trường sống tự nhiên của chúng, kền kền có thị lực tốt và khả năng xác định nguồn thức ăn tuyệt vời, đặc biệt là xác định những động vật yếu hoặc sắp chết[61] Tuy nhiên, nhiệm vụ tìm kiếm thức ăn vẫn đặt ra những thách thức đáng kể

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN cho kền kền Chúng quan sát tỉ mỉ môi trường sống của mình trong thời gian dài và vượt qua những khoảng cách rộng lớn để tìm kiếm thức ăn[61]

Trong thuật toán AVOA, kền kền có khả năng khám phá những khu vực ngẫu nhiên, sử dụng một trong hai phương pháp Việc lựa chọn phương pháp được quyết định ngẫu nhiên dự trên tham số P 1 và biến số rand P1 Trong đó P 1 quyết định xác suất lựa chọn một trong hai phương pháp khám phá, mang giá trị trong khoản từ 0 đến 1 và được quyết định trước khi thực hiện thuật toán Biến số rand P1 là một số ngẫu nhiên từ 0 đến 1 Nếu rand P1 nhỏ hơn hoặc bằng P 1 , Công thức 6 được sử dụng cho pha tìm kiếm, ngược lại, Công thức 8 sẽ được sử dụng Quá trình này được thể hiện qua Công thức 5

Các cá thể sử dụng Công thức 6 sẽ tìm kiếm thức ăn ở một vùng rộng xuang quanh một trong hai kền kền khỏe nhất được chỉ định trước đó Khoản cách tìm kiếm là ngẫu nhiên P(i) đại diện cho vector vị trí hiện tại của kền kền thứ i, P(i+1) là vector vị trí của kền kền trong vòng lặp kế tiếp F là mức độ no của kền kền, được tính toán dựa vào Công thức 4 Trong Công thức 7, R(i) là vị trí một trong hai kền kền tốt nhất đã được chỉ định bằng Công thức 1, X đại diện cho nơi mà kền kền này di chuyển đến để bảo vệ thức ăn của mình, được sinh ngẫu nhiên để đóng vai trò gia tăng tính ngẫu nhiên của nơi những kền kền sẽ di chuyển đến X được tính toán cho mỗi vòng lặp bằng công thức X= 2 x rand, với rand là số ngẫu nhiên có giá trị từ 0 đến 1

Phần mềm sử dụng và phương pháp mô phỏng

Phần mềm hỗ trợ tính toán được sử dụng cho nghiên cứu này là Grasshopper, là chương trình phụ có thể soạn thảo thuật toán đồ họa được tích hợp với phần mềm Rhino 7[69] Nền tảng này cho phép chạy thuật toán tối ưu hóa với số lượng lớn các vòng lặp tính toán

Mô hình và môi trường mô phỏng: chúng ta dùng phần mềm Blender (một phần mềm vẽ mô hình 3D mã nguồn mở) để vẽ lại mô hình gạch bông gió theo mẫu mã điển hình được sử dụng trên thị trường Sau đó mô hình 3D của căn phòng và mặt dựng gạch bông gió được tích hợp trong môi trường Grasshopper để tiến hành mô phỏng ánh sáng ban ngày[70]

Phần mềm mô phỏng chiếu sáng: ClimateStudio đã sử dụng hệ thống theo dõi tia sáng Radiance (Radiance ray-tracing system) để mô phỏng, tính toán ánh sáng ban ngày và độ chói của ảnh sáng với độ chính xác cao[71] Các nghiên cứu trước đây cũng đã chứng minh độ tin cậy và độ chính xác của Radiance[72], [73], [74] Hình 3.5 là mô hình và mô phỏng trong môi trường phần mềm Rhino 7's Grasshopper mà chúng tôi đã thiết lập để thực hiện quá trình mô phỏng cho nghiên cứu này

Hình 3.5 Sơ đồ mô phỏng trong Grasshopper- Rhino7

Ngoài ra, Hình 3.6 trình bày sơ đồ đơn giản của Hình 3.5, mô tả lại một cách giản lược sự tương tác và vai trò của các công cụ phần mềm trong quy trình làm việc

Hình 3.6 Sơ đồ quy trình thực hiện mô phỏng

TRƯỜNG HỢP NGHIÊN CỨU – CASE STUDY

Thiết kế mô hình mô phỏng

4.1.1 Thông số của không gian tính toán mô phỏng chiếu sáng

Không gian mô phỏng được mô hình hóa là một căn phòng có kích thước 4,5m theo hướng Đông-Tây, 3,6m theo hướng Bắc-Nam và cao 3m Tường phía Tây có cửa sổ lớn bằng kính để căn phòng được chiếu sáng tự nhiên Hình 4.2 thể hiện mặt

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN bằng không gian mô phỏng Để đảm bảo tính nhất quán và hợp lệ của mô phỏng, chúng ta không xét đến các vật dụng nội thất trong phòng Vật liệu cho tường, sàn và trần được lựa chọn tuân theo nghiêm ngặt hướng dẫn LM-83 do IES thiết lập[19] (Bảng 4.1)

Bảng 4.1 Kích thước không gian mô phỏng

THAM SỐ GIÁ TRỊ ĐƠN VỊ TÍNH

Vật liệu trần nhà Trần LM83 -

Vật liệu tường bên trong Trần LM83 -

Vật liệu sàn Sàn LM83 -

Vật liệu Loggia Tường LM83 -

Hình 4.2 Mặt bằng không gian mô phỏng

Lựa chọn vật liệu: Vật liệu được chọn từ thư viện của ClimateStudio[75], trong đó có bản sao chép các mẫu có trong thực tế để có thể mô phỏng các đặc tính quang học một cách chính xác (Bảng 4.2)

Tham số mô phỏng: Số lượng mẫu là 256 và độ phân giải của lưới cảm biến ánh sáng là 0,1m (Bảng 4.3) Các tham số này đã được cân nhắc lựa chọn để cân bằng giữa hiệu quả và độ chính xác tính toán trong giới hạn của phần cứng máy tính hiện đang phổ biến trên thị trường

Bảng 4.2 Vật liệu không gian mô phỏng

Gạch đỏ 2 Bóng 18.40% 0.03% 18.37% 0.351 0.13 0.054 0.3 Tường bê tông bên ngoài

Bảng 4.3 Tham số mô phỏng

THAM SỐ GIÁ TRỊ ĐƠN VỊ TÍNH

Số mẫu trên mỗi cảm biến 256 -

4.1.1 Loggia Design Thiết kế loggia Độ sâu loggia thay đổi từ 0 đến 0,8 mét, đóng vai trò là tham số đầu tiên trong nghiên cứu, có vật liệu đồng nhất với tường (Bảng 4.4 ) Đặc điểm của mặt dựng là sử dụng gạch thông gió, có kích thước 200x200x60mm Chúng ta xây dựng mô hình 3D cho 24 mẫu gạch với hình dáng khác biệt nhau đang được người dùng và các nhà thiết kế ở thị trường Việt Nam ưa chuộng, như trong Hình 4.3 Các mẫu gạch bông gió sử dụng trong nghiên cứu Loại mẫu gạch đóng vai trò là tham số thứ hai trong nghiên cứu này, được tóm tắt trong BẢNG 4

Hình 4.3 Các mẫu gạch bông gió sử dụng trong nghiên cứu

Bảng 4.4 Tham số mô hình

THAM SỐ KHOẢNG GIÁ TRỊ ĐƠN VỊ TÍNH Độ sâu loggia 0-800 mm

Góc xoay gạch -90 to +90 Độ

0=gạch đỏ; 1=gạch bê tông xám; 2=gạch bê tông trắng

0=Starphire; 1=Solarban 60 (3) on Starphire; 2=Solarban 72 (3) on

Tham số thứ tư là vật liệu gạch, với 3 lựa chọn gồm gạch đỏ, bê tông trắng và bê tông xám Mặt dựng được thiết kế như một bức tường tương ứng với kích thước diện tường phía Tây căn phòng Ta cho phép mỗi cột gạch có thể được đặt ở các góc từ -90° đến +90° so với hướng ban đầu – đây là tham số thiết kế thứ ba

Tham số thứ 5 là vật liệu của cửa kính Chúng ta sử dụng 3 vật liệu cửa kính với các đặc tính và thành phần được tóm tắt trong Bảng 4.5

4.1.3 Vị trí địa lý công trình

Vị trí công trình và dữ liệu ánh sáng mô phỏng được chọn ở Long Thành, Đồng Nai.

Đánh giá hiệu quả thuật toán

Để mở rộng hiểu biết về những kỹ thuật tối ưu hóa mặt dựng, chúng ta so sánh giải pháp đã được tối ưu hóa với những mô hình sau đây

4.2.1 Mô hình không sử dụng mặt dựng

Mô hình này chỉ sử dụng cửa kính hoặc khung kính để bao che mà không sử dụng bất kỳ yếu tố nào khác để giảm lượng ánh sáng mặt trời chiếu vào không gian bên trong

4.2.2 Mô hình với mặt dựng được sắp đặt ngẫu nhiên

Trong mô hình này, tham số mặt dựng được chọn ngẫu nhiên thay vì tối ưu hóa Phương pháp thiết kế này ưu tiên tính thẩm mỹ hơn các mục tiêu tối ưu hóa cụ thể, dẫn đến sự thay đổi đáng chú ý về số liệu hiệu suất

Chúng ta thự hiện 45 lần chạy mô phỏng cho từng mô hình, xử lý số liệu tuân theo phương pháp thống kê để nâng cao độ tin cậy của kết quả Mô phỏng được lặp lại nhiều lần để giảm thiểu sự bất thường, nâng cao độ tin cậy của dữ liệu thu được.

Tiến hành mô phỏng

Quy trình khởi tạo cho mỗi lần thực hiện tối ưu hóa của chúng tôi sử dụng một tập hợp các thiết kế mặt dựng ngẫu nhiên Phương pháp này được chọn nhằm thúc đẩy tính đa dạng trong không gian giải pháp và giảm thiểu những sai lệch hoặc giả định tiềm ẩn có thể thúc đẩy quá trình tối ưu hóa

Hạn chế trong tính toán: vì giới hạn của phần cứng, việc triển khai thuật toán chỉ sử dụng quy mô dân số gồm 10 cá thể được tính toán trong 5 thế hệ Mặc dù cách triển khai này có thể hạn chế khả năng của thuật toán nhưng lại phù hợp trong điều kiện thực tế hiện nay Chúng ta phải thừa nhật rằng việc mô phỏng ánh sáng ban ngày đòi hỏi mức độ tính toán cao dẫn tới yêu cầu cao về cấu hình máy tính được sử dụng, nên nếu phương pháp đang được đề xuất thể hiện tính hiệu quả bất chấp những hạn chế về phần cứng máy tính thì nó sẽ là một gợi ý hấp dẫn cho các nhà thiết kế và quản lý dự án trong thực tế

4.3.2 Hàm mục tiêu: Tối đa hóa |sDA-ASE|

Nghiên cứu này nhằm mục đích tối ưu hóa sự khác biệt giữa hai đại lượng chính về ánh sáng ban ngày: Tự chủ ánh sáng ban ngày theo không gian (sDA) và Mức độ tiếp xúc với ánh sáng mặt trời hàng năm (ASE)

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN sDA cao hơn làm giảm việc sử dụng năng lượng chiếu sáng nhân tạo và cải thiện sự thoái mái về mặt thị giác cho người sinh sống bên trong công trình ASE thì cho thấy các khu vực quá sáng nhận được hơn 1000 lux ánh sáng mặt trời trực tiếp trong hơn 250 giờ mỗi năm Mặc dù sDA và ASE cung cấp những thông tin độc lập nhưng khi phân tích kết hợp của chúng thông qua sự khác biệt của hàm số |sDA-ASE| sẽ cung cấp cho chúng ta thông tin toàn diện hơn về sự cân bằng của chất lượng ánh sáng ban ngày Ý tưởng sử dụng hàm số |sDA-ASE| được lấy cảm hứng từ nghiên cứu năm 2018 của Tabadkanivà cộng sự[27], nghiên cứu này đã chứng minh giá trị của việc tối ưu hóa sự cân bằng giữa 2 yếu tố là không gian chiếu sang có đủ ánh sáng ban ngày và đồng thời giảm thiểu cường độ ánh sáng gây chói Điều này giúp nâng cao trải nghiệm, của cư dân sử dụng công trình

4.3.1 Điều chỉnh hàm mục tiêu để đáp ứng tiêu chuẩn LEED V4.1

Mục tiêu chính của chúng tôi là tối đa hóa |sDA-ASE| đồng thời tuân thủ tiêu chí LEED V4.1 Để đảm bảo tuân thủ các tiêu chuẩn LEED, các đáp án không đáp ứng được tiêu chí này sẽ bị giảm giá trị bằng cách nhân |sDA-ASE| với 0,5 Cách tính này phục vụ hai mục đích: nó chỉ ra đáp án không tuân thủ nhưng vẫn cho phép đáp án đó được xem xét để hoàn thiện thêm hoặc đóng góp những đặc điểm có lợi cho quần thể tổ hợp các đáp án đang được tính toán

Kết quả tính toán cho thấy, về mặt tổng thể, đáp án tối ưu không phải lúc nào cũng phù hợp với thị hiếu và đáp ứng được yếu tố thẩm mỹ trong kiến trúc Do đó, thay vì chọn 1 đáp án duy nhất, chúng ta chọn 3 đáp án có giá trị tốt nhất từ mỗi lần tối ưu hóa nhằm đưa ra một bộ tùy chọn tùy chọn với các tham số thiết kế khác biệt nhau, có thể khác biệt về mẫu gạch hoặc vật liệu gạch Điều này giúp ta có thể đồng thời vừa đánh giá được hiệu quả thuật toán vừa đáp ứng được nhu cầu thẩm mỹ chủ quan theo từng dự án khác nhau

Kết quả

Mô hình không mặt dựng: Tổng cộng có 45 mô phỏng được thực hiện trên mô hình không mặt dựng, kết quả ghi nhận được là như nhau Kết quả sDA là 1, điều này cho thấy điều kiện ánh sáng ban ngày là tối ưu, 100% diện tích sử dụng đạt đủ yêu cầu chiếu sáng với Tuy nhiên, ASE được đo ở mức 0,9158, cho thấy mức độ tiếp xúc với ánh sáng mặt trời đang quá mức và gây ảnh hưởng xấu đến sự thoải mái của người sử dụng

Mô hình với mặt dựng có tham số ngẫu nhiên: Mô hình này cũng được thực hiện

45 mô phỏng Điểm trung bình của hàm mục tiêu |sDA-ASE| là khoảng 0,494 với khoảng tin cậy 95% nằm trong khoảng từ 0,416 đến 0,572 Mức độ biến thiên cao được thể hiện rõ ràng với độ lệch chuẩn là 0,261 Phạm vi quan sát được của mô hình này trải dài từ mức tối thiểu là 0 đến mức tối đa là 0,8842 (Bảng 4.6)

Mô hình có mặt dựng được tối ưu hóa bằng AVOA: Giống như 2 mô hình trước,

Mô hình này cũng trải qua 45 lần mô phỏng Kết quả hàm mục tiêu thu được trung bình xấp xỉ 0,937 với khoảng tin cậy 95% trong khoảng từ 0,927 đến 0,947 Độ lệch chuẩn thấp đáng kể ở mức 0,033, cho thấy các kết quả có sự nhất quán cao Giá trị tối thiểu và tối đa cho mô hình này lần lượt là 0,8702 và 0,9860, với phạm vi là 0,1158 (Bảng 4.6)

Bảng 4.6 Thống kê mô tả của hàm số |sDA-ASE|

NGẪU NHIÊN Trị trung bình 493887 0388463

Giới hạn dưới 415597 Giới hạn trên 572176 5% trị trung bình đã giảm bớt 500139

Phương sai 068 Độ lệch chuẩn 2605887

Khoảng giá trị 8842 Độ trải giữa 3913 Độ nghiêng -.777 354 Độ nhọn -.567 695 ĐÃ TỐI ƯU

Giới hạn dưới 926550 Giới hạn trên 946526 5% trị trung bình đã giảm bớt 937367

Khoảng giá trị 1158 Độ trải giữa 0579 Độ nghiêng -.349 354 Độ nhọn -.923 695

|sDA-ASE| is constant when Model = BASELINE It has been omitted

Mô hình tối ưu hóa mặt dựng bằng GA: Mô hình Thuật toán di truyền (GA) mang lại giá trị trung bình của hàm mục tiêu khoảng 0,954947, với giá trị trung vị cao hơn

HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN một chút là 0,964900, cho thấy xu hướng hướng tới các giải pháp hoạt động tốt hơn Các kết quả thu được đều nhất quán, với phương sai thấp là 0,001 và độ lệch chuẩn là 0,0293950, cho thấy mức độ tập trung của các điểm dữ liệu xung quanh giá trị trung bình Khoảng giá trị từ 0,8772 đến 1,0000 (Bảng 4.7)

Bảng 4.7 Thống kê mô tả của hàm số |sDA-ASE| được tối ưu hóa bằng GA và

|sDA-ASE| GA Trị trung bình 954947 0043819

5% trị trung bình đã giảm bớt 956806

Khoảng giá trị 1228 Độ trải giữa 0420 Độ nghiêng -.954 354 Độ nhọn 652 695

Khoảng giá trị 1228 Độ trải giữa 0491 Độ nghiêng -.987 354 Độ nhọn 609 695

Mô hình tối ưu hóa mặt dựng bằng GWO: Mô hình được tối ưu hóa bằng Grey Wolf (GWO) đã cho kết quả giá trị trung bình của hàm mục tiêu là khoảng 0,963673, với giá trị trung vị cao hơn là 0,975400, cho thấy xu hướng thiên về các giải pháp hiệu quả hơn Mô hình này cũng cho thấy kết quả nhất quán với phương sai thấp là 0,001 và độ lệch chuẩn là 0,0311094 Khoảng giá trị thay đổi từ 0,8772 đến tối đa là 1,0000, cho thấy khả năng của mô hình GWO trong việc tạo ra các giải pháp tối ưu hóa mặt dựng có hiệu quả cao (Bảng 8)

Chúng ta tiến hành 3 kiểm định thống kê để kiểm tra sự khác biệt của chỉ số |sDA- ASE| giữa các mô hình Mẫu kiểm định là 45 mô hình ngẫu nhiên và 45 mô hình được tối ưu hóa

Kiểm định mẫu độc lập (t-test) để so sánh giữa mô hình không có mặt dựng và có mặt dựng ngẫu nhiên Kết quả cho thấy các mô hình có mặt dựng ngẫu nhiên (M HVTH: Võ Thị Bích Huyền GVHD: PGS.TS PHẠM VŨ HỒNG SƠN

0,5, SD = 0,3) có khác biệt đáng kể so với các mô hình không có mặt dựng (M 0,08), t(88) = 10,5, p < 0,001, d = 1,6

Tiếp theo, kiểm định mẫu độc lập (t-test) để so sánh giữa giữa các mô hình được tối ưu hóa và mô hình không có mặt dựng Các mô hình được tối ưu hóa (M = 0,9,

SD = 0,03) cho thấy sự khác biệt đáng kể so với các mô hình không có mặt dựng (M

Cuối cùng, kiểm định mẫu độc lập (t-test) với giả định phương sai không bằng nhau để so sánh các mô hình có mặt dựng ngẫu nhiên với mặt dựng được tối ưu hóa với AVOA Thử nghiệm của Levene cho thấy phương sai không đồng đều giữa các nhóm, F(1, 88) = 70,452, p < 0,001 Kiểm định t cho thấy sự khác biệt đáng kể giữa các mô hình, t(88,64) = 11,303, p < 0,001, d = 2,38

Dựa trên kết quả trên, mô hình không mặt dựng cho kết quả tính toán không tối ưu, không đáp ứng LEED v4.1 Trong khi sDA đạt được giá trị tối ưu là 1, thì giá trị

ASE cao là 0,9158, mức này gấp hơn 9 lần giá trị cho phép là 0,1 Điều này tạo nên sự không thoải mái về ánh sáng bên trong căn phòng, mang đền những tiềm ẩn rủi ro về sức khỏe (Hình 4.4)

Hình 4.4 Gía trị |sDA-ASE| của mô hình không mặt dựng

Mô hình có tham số mặt dựng ngẫu nhiên mang lại những cải tiến vừa phải, bằng chứng là giá trị trung bình của hàm tối ưu |sDA-ASE| là 0,4939 khi so với giá trị trung bình là 0,0842 của mô hình không có mặt dựng (p

Định dạng
Số trang	131
Dung lượng	1,42 MB